Loading…
Elektrik enerji tüketiminin kısa dönem yük tahmini ve mevsimsellik analizi /
Elektrik enerji sistemlerinin verimli bir şekilde planlanması, ekonomik bir şekilde üretilmesi, dağıtılması, sistem operasyonlarının daha iyi koşullarda yönetilmesi ve gelecekteki enerji ihtiyaçlarını tahmin etme açısından oldukça kritik bir adım olan yük tahmini, elektrik sektöründe büyük bir öneme...
| Main Author: | |
|---|---|
| Corporate Authors: | , |
| Other Authors: | |
| Format: | Thesis |
| Language: | Turkish |
| Subjects: |
| Summary: | Elektrik enerji sistemlerinin verimli bir şekilde planlanması, ekonomik bir şekilde üretilmesi, dağıtılması, sistem operasyonlarının daha iyi koşullarda yönetilmesi ve gelecekteki enerji ihtiyaçlarını tahmin etme açısından oldukça kritik bir adım olan yük tahmini, elektrik sektöründe büyük bir öneme sahiptir. Bu tahminler, geçmiş dönemlerdeki elektrik enerjisi tüketim alışkanlıklarını inceleyerek gelecekteki elektrik talebini öngörmeye dayanır. Yük tahmini, kısa dönem, orta dönem ve uzun dönem olmak üzere üç ayrı periyot şeklinde ele alınabilir. Kısa dönem yük tahminleri, bir gün veya bir hafta gibi kısa bir süre için; orta dönem yük tahminleri, birkaç ay veya bir yıl gibi daha uzun bir süre için ve uzun dönem yük tahminleri de birkaç yıl veya daha uzun bir süre için yapılır. Bu çalışmada, Güneydoğu Anadolu Bölgesinde bulunan bir tesisin 2019-2020-2021-2022 yıllarına ait saatlik elektrik enerjisi tüketim verileri kullanılarak kısa dönem yük tahmin modellemesi yapılmıştır. Ayrıca, Meteorolojiden bu yıllara ait sıcaklık değerleri alınarak elektrik enerjisi tüketim verilerine sıcaklık faktörü de eklenmiştir. Mevsimsellik analizi yapılarak sıcaklık faktörünün elektrik enerjisi tüketim tahminlerinin sonucuna etkisi değerlendirilmiştir. Çalışma kapsamında, yük tahmini uygulaması için çoklu doğrusal regresyon, yapay sinir ağları (YSA) ve Otoregresif Hareketli Ortalamalar (ARIMA) yöntemleri kullanılmış, her bir yöntem için tahmin sonuçları elde edilmiş ve diğer yöntemlerle karşılaştırılmıştır. Bu yöntemler için veri doğruluğu ve analiz hızları açısından yapılan karşılaştırmada, ortalama hata değerleri bulunarak modellerin performansları sonucunda ARIMA yönteminin, yük verilerindeki dalgalanmaları azaltarak, daha doğru tahminler yaptığı gözlenmiştir. Yapay sinir ağları yönteminin ise, yük verilerindeki kalıpları öğrenerek, daha hızlı sonuç ürettiği görülmüştür.
|
|---|---|
| Physical Description: | 52 sayfa ; 30 cm |
| Bibliography: | Kaynakça : 49-51 sayfa |