Endüstriyel Bir Bölgede Geçmiş Elektrik Enerjisi Tüketim Verilerine Dayalı Gelecekteki Yük Tahminleri: Karaman Organize Sanayi Bölgesi Örneği

Öz

Elektrik enerjisi talebi tüm dünyada giderek artmakta ve sürdürülebilir enerji sağlama açısından şebeke altyapıların sürekli olarak geliştirilmesi gerekmektedir. Bu açıdan karmaşık davranışa sahip olan elektrik şebeke sistemlerinde yük tahminleri hem enerjinin etkin kullanımı hem de tedarikçi firmaların enerji şebekesi planlaması ve kamu hizmeti şirketi faaliyetleri için temel endekslerden biridir. Bu çalışmada, endüstriyel bir bölgede faaliyet göstermekte olan tüketicilerin saatlik, günlük, aylık ve yıllık olarak enerji harcamalarına ilişkin olarak geçmiş yıllardaki kullanımları dikkate alınarak gerçek bir veri seti değerleri elde edilmiştir. Daha sonra bu değerler kullanılarak gelecekteki yük profili ve taleplerinin belirlenmesine yönelik yaklaşımlar rapor edilmiştir. Böylece, geçmiş yıllardaki elektrik enerjisi tüketim verilerine dayalı olarak yük profili belirlenmiş olan endüstriyel tüketicilerin gelecekteki enerji taleplerinin ön kestiriminin yapılabilmesinde Karaman Organize Sanayi Bölgesi örneklemi sunulmuştur.

Anahtar Kelimeler

• Elektrik şebekesi
• elektrik güç tüketimi
• endüstriyel yük profili
• talep tahmini.

Kaynakça

1. Azadeh A., Ghaderi SF., Sohrabkhani S., Annual electricity consumption forecasting by neural network in high energy consuming industrial sectors, Energy Conversion and Management, 49(8), pp.2272-2278, (2008).
2. Bagnasco A., Fresi F., Saviozzi M., Silvestro F., Vinci A., Electrical consumption forecasting in hospital facilities: An application case, Energy and Buildings, Vol. 103, pp.261-270, (2015).
3. Bracale A., Carpinelli G., Falco PD., Hong T., Short-term industrial reactive power forecasting, International Journal of Electrical Power & Energy Systems, Vol. 107, pp.177-185, (2019).
4. Daut MAM., Hassan MY., Abdullah H., Rahman HA., Abdullah MP., Hussin F., Building electrical energy consumption forecasting analysis using conventional and artificial intelligence methods: A review, Renewable and Sustainable Energy Reviews, Vol. 70, pp.1108-1118, (2017).
5. Eldem MO., Akıllı Şebekeler, TMMOB EMO Ankara Şubesi Haber Bülteni 2017/2, pp.6-9, Turkiye, (2017).
6. Jain G., Saini, VK., Impact of Cross-Border Electricity Trade on Bhutan (Country Series), Working Paper: South Asia Regional Initiative For Energy Integration (SARI/EI), September, (2016).
7. Kaboli, SHA., Selvaraj J., Rahim NA, Long-term electric energy consumption forecasting via artificial cooperative search algorithm, Energy, 115(1), pp.857-871, (2016).
8. Khatoon S., Ibraheem, Singh AK., Priti, Effects of various factors on electric load forecasting: An overview, IEEE 6th Power India International Conference (PIICON), 05-07 December 2014, Delhi, India, IEEE. pp. 1-5.

9. Kim TY., Cho SB., Predicting residential energy consumption using CNN-LSTM neural networks, Energy, Vol. 182, pp.72-81, (2019).
10. Laanetu M., Hõbejõgi T., Mazikas A., Valtin J., Basis and method for electrical power grid development planning, IEEE 16th International Conference on Environment and Electrical Engineering (EEEIC), 07-10 June 2016, Florence, Italy, pp. 1-6.
11. Lin FJ., Chen Y., Lu SY., Hsu Y., The Smart Grid Technology Development Strategy of Taiwan, Smart Grid and Renewable Energy, No.7, pp.155-163, (2016).
12. Makoklyuev BI., Analysis and planning of power consumption, Energoatomizdat, pp. 296, (2008).
13. Makoklyuev BI., Polizharov AS., Antonov, AV., Methods and instruments for power consumption forecasting in electric power companies, IEEE 5th International Conference on Power Engineering, Energy and Electrical Drives (POWERENG), 11-13 May 2015, Riga, Latvia, IEEE. pp. 268-271.
14. Walther J., Weigold MA., Systematic Review on Predicting and Forecasting the Electrical Energy Consumption in the Manufacturing Industry, Energies, Vol. 14, No. 968, (2021).
15. Yan K., Wang X., Du Y., Jin N., Huang H., Zhou H., Multi-Step Short-Term Power Consumption Forecasting with a Hybrid Deep Learning Strategy. Energies, 11(11):3089, (2018).
16. Zemene F., Khedkar V., Survey on Machine Learning based Electric Consumption Forecasting using Smart Meter Data, International Journal of Computer Applications 180(6):46-52, (2017).
17. Zhivov AM., Case M., Liesen R., Kimman J., Broers W., Energy Master Planning Towards Net-Zero Energy Communities/Campuses, Published in Ashrae Transactions, 120(1), pp.114-129, (2014).