Elektrik Yükü Tahmin Yöntemlerinin Analizi

Yıl 2018, Cilt: 4 Sayı: 3, 168 - 175, 24.12.2018

Tuğba Akman Cemal Yılmaz Yusuf Sönmez

Öz

Enerji talebinin önemi, artan nüfus, şehirleşme, sanayi ve teknolojinin
yaygınlaşması ve refah artışına paralel olarak yükselmesini sürdürmektedir.
Enerjinin çok büyük bir kısmını ise elektrik enerjisi oluşturmaktadır. Yük
tahmini,  güç sistemlerinin planlaması,
işletilmesi ve kontrolünde önemli bir role sahiptir. Üretim kapasitesinin
dağıtım zamanlaması, güvenilirlik analizi ve jeneratörler için bakım planlaması
gibi birçok sistem işletim kararı yük tahminlerine dayanır. Elektrik talebinden
daha yüksek yük tahminleri, çok fazla güç besleme ünitelerinin devreye girerek
aşırı enerji alımının başlatılmasına ve gereksiz rezerv sağlanmasına neden
olur.  Buna karşılık, daha düşük yük tahminleri,
sistemin riskli bir bölgede çalışmasına neden olarak arz rezervinin yetersiz kalmasına
neden olabilir. Aynı zamanda, enerji piyasalarında verilen pek çok kararın
temelini yük tahminleri oluşturmaktadır. Yük tahmini sonuçlarına göre optimize
edilen elektrik enerjisi fiyatları; elektrik piyasalarının etkin, şeffaf,
güvenilir ve sektör ihtiyaçlarını karşılayacak şekilde planlanmasına,
kurulmasına, geliştirilmesine ve işletilmesine olanak sağlar. Bu çalışmada, literatürdeki
akademik çalışmalarda yapılan yük tahmini için kullanılan yöntemlerin
farklılıkları, avantajları ve dezavantajları anlatılmıştır.

Anahtar Kelimeler

Load forecasting, forecast methods, ANN

Kaynakça

• [1] Kaytez, F. (2012). En küçük kareler destek vektör makineleri ile Türkiye’nin uzun dönem elektrik tüketim tahmini ve modellenmesi, Yayımlanmamış Doktora Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara.[2] Başoğlu, B. ve Bulut, M. (2016). Kısa dönem elektrik talep tahminleri için yapay sinir ağları ve uzman sistemler tabanlı hibrit sistem geliştirilmesi. Gazi Üniversitesi, Mühendislik Mimarlık Fakültesi Dergisi, 575-583.[3] Kargar, M. C. ve Charsoghi K. (2014). Predıctıng annual electrıcıty consumptıon ın Iran usıng artıfıcıal neural networks (narx). İran Tarbiatmodares University, 231-242.[4] Fan, S. ve Hyndman, R. J. (2010). Short-term load forecasting based on a semi-parametric additive model. Monash University Moturi, C. A. ve Kiako, F. K. (2013). [5] Use of artificial neural networks for short-term electricity load forecasting of kenya national grid power system. International Journal of Computer Applications, 63(2), 0975 – 8887.[6] Senjyu, T., Sakihara H., Tamaki Y., ve Uezato K. (2010). Next day peak load forecasting using neural network with adaptive learning algorithm based on similarity. Electric Machines & Power Systems, 28, 613–624.[7] Adepoju, G. A., Ogunjuyigbe, S. O. A. ve Alawode, K.O. (2007). Application of neural network to load forecasting in nigerian electrical power system. Ladoke Akintola University of Technology Nigeria, The Pacific Journal of Science and Technology, 8(1), 68-72.[8] Örün, S. ve Karatekin C. (2014). İstanbul ili avrupa yakası için uzun dönem elektrik enerjisi yük tahmini long term load forecasting for Istanbul european side. İstanbul Teknik Üniversitesi, Eleco 2014 Elektrik – Elektronik – Bilgisayar ve Biyomedikal Mühendisliği Sempozyumu, 38-43.[9] Oğurlu, H. (2011). Matematiksel modelleme kullanarak Türkiye’nin uzun dönem elektrik yük tahmini, Yayımlanmamış Yüksek Lisans Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.[10] Ceylan, G. (2004). Yapay sinir ağları ile kısa dönem yük tahmini, Yayımlanmamış Yüksek Lisans Tezi İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.[11] Aksel, F. (2000). Regresyon analizi ve yapay sinir ağı yöntemleri ile uzun dönem yük tahmini, Yayımlanmamış Yüksek Lisans Tezi İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.[12] Demirel, Ö., Kakilli A., Tektaş M. (2010). Anfis ve arma modelleri ile elektrik enerjisi yük tahmini. Gazi Üniv. Müh. Mim. Fak. Der. Cilt 25, No 3, 2010, 601-610.[13] Abdoos, A., Hemmati M., (2014). Short term load forecasting using a hybrid intelligent method. Department of Management, Islamic Azad University, Semnan Branch, Semnan, Iran. Knowledge-Based Systems 76 (2015) 139–147[14] Eke, İ. (2011) Diferansiyel evrim algoritması destekli yapay sinir aği ile orta dönem yük tahmini. Gazi Üniversitesi Mühendislik Fakültesi Elektrik Elektronik Mühendisliği Bölümü 06570 Maltepe, Ankara. International Journal of Research and Development, Vol.3, No.1, January 2011, 28-32.[15] Shushu, M., Xingying C., Xiaohua D. (2013). The variable weight combination load forecasting based on grey model and semi-parametric regression model. Hohai University Nanjing 211100, China. 978-1-4799-2827-9/13 2013 IEEE Vol.[16] Ghanbari, A., Ghaderi S.F., Azadeh M.A. (2010). Adaptive neuro-fuzzy ınference system vs. regression based approaches for annual electricity load forecasting. Department of Industrial Engineering, College of Engineering University of Tehran (UT) Tehran, Iran. 978-1-4244-5586-7/10 2010 IEEE.[17] Chogumaira, E.N., Hiyama, T. (2011). Short-term electricity price forecasting using a combination of neural networks and fuzzy inference. Department of Computer Science and Electrical Engineering, Kumamoto University, Kumamoto, Japan Energy and Power Engineering, 2011, 3, 9-16.[18] Inc, E. (2010). Electrical Load Forecasting: Modeling and Model Construction 79-97.[19] Öztemel, E. (2003). Yapay Sinir Ağları. Papatya Yayıncılık, 34-140.