Hybrid Model for Load Forecasting (ANN and Regression)

Abstract

Due to the developments on energy industry, load forecasting has become a very critical issue. Therefore a number of studies were performed to develop innovative and intelligent models. However it is also important to determine the possible factors that effects load forecasting. For big regions this is a difficult task. On the other hand for micro regions such as Güney region used in this study, it is possible to observe and determine the factors that affect load demands. In this study for this aim most common models such as Neural Networks and regression models are selected and load forecasting is performed for the region. As a further study these models are used in a hybrid hierarchy to improve forecasting accuracy.

Keywords

• NNs, regression, hybrid

Yük Tahmini İçin Hibrit (YSA ve Regresyon) Model

Abstract

Teknolojinin hızla gelişmesi enerji sektöründe yük tahminini gerekli kılmıştır. Bu sebepten birçok yük tahmini yöntemi geliştirilmiş ve geleceğe dönük veriler elde edilmiştir. Literatür çalışmaları incelendiğinde büyük ölçekli bölgelere ağırlık verilip küçük ölçekli bölgeler için fazla çalışma yapılmamıştır. Bu da tahmini etkileyen faktörlerin detaylı araştırılamamasına sebep olmuştur. Bu çalışmada küçük bir bölgenin (Güney ilçesi) yük tahmini, literatürde en çok kullanılan yük tahmini yöntemleri (YSA ve Regresyon) ile yapılmış olup ayrıca daha iyi sonuçlar elde edilebilmesi için hibrit sistem kullanılmıştır.

Keywords

• YSA, regresyon, hibrit

References

1. Kaysal K, “Doğrusal ve doğrusal olmayan yük tahmini
2. performanslarının karşılaştırılması.” Yüksek Lisans Tezi, Afyon Kocatepe Üniversitesi, Fen Bilimleri Enstitüsü, Afyon, 2013.
3. Wu, J., Wang, J., Lu, H., Dong, Y. and Lu, X. “Short-term load forecasting technique based on the seasonal exponential adjustment method and the regression
4. Management, 70: 1-9. 2013.
5. Fan, S. and Hyndman, R.J.” Short-term load forecasting based on a Semi-Parametric additive model.” IEEE Transactions on Power Systems, 27: 134- 141. 2012.
6. Eke, İ. “Diferansiyel evrim algoritması destekli yapay sinir ağı ile orta dönem yük tahmini.” International Journal of Research and Development, 3: 28-32. 2011. Güney ilçesi için model.” Energy Conversion
7. and Enstitüsü Dergisi, 11: 63- 74, 2006.
8. Moturi, C.A. and Kioko, F.K. “Use of artificial neural networks for short-term electricity load forecasting of Kenya national grid power system.” International Journal of Computer Application, 63: 25-30, 2013.

9. Kaysal, K., Hocaoğlu, F.O., Oğuz, Y. ve Kaysal, A. “ Short term load forecasting for a micro region using NNs and regression models.” Electrical and Electronics Engineering (ELECO), 20, 14042779, 177-180, 2013.