Büyük veri ve makine öğrenmesi kullanılarak elektrik tüketim örüntülerinin çıkarılması

Enerji sektöründe günümüze kadar gerçekleştirilen faaliyetlerin büyük bir kısmı temel olarak enerjinin üretimine ve iletimine odaklanmaktadır. Bununla birlikte son yıllarda özellikle, akıllı şebeke ve Gelişmiş Sayaç Altyapısı (Advanced Metering Infrastructure-AMI) gibi teknolojilerin hayatımıza girmesiyle dağıtım ve tüketici seviyesinde de gerçekleştirilen uygulamaların sayısında ciddi bir artış gözlenmektedir. Elektrik dağıtım şirketleri açısından değerlendirildiğinde AMI sistemler ve akıllı sayaçlar, yerinde sayaç okuması ihtiyacını ortadan kaldırarak güç akışının daha hızlı ve güvenilir bir şekilde izlenmesine ve kontrol edilmesine yardımcı olmaktadır. Son kullanıcı açısından değerlendirildiğinde ise akıllı sayaçlar, tüketicinin dağıtım şirketinden aldığı hizmetin kalitesinin artmasını sağlayarak enerjinin etkin ve verimli kullanımı hakkında bir farkındalık oluşturmaktadır. Bu tez çalışmasında, Büyük Veri analitiği ve makine öğrenmesi yaklaşımları kullanılarak tüketici seviyesinde kısa dönemli yük tahmini ve kayıp-kaçak tespiti uygulaması gerçekleştirilmiştir. Kısa dönemli yük tahmini uygulamasında akıllı sayaç verileri kullanılarak tüketicilerin yük profilleri ve tüketim örüntüleri çıkarılmıştır. Tüketici seviyesinde yük tahmini yüksek değişkenlik, belirsizlik ve veri gizliliği gibi sorunlar nedeniyle dağıtım hattı seviyesinde gerçekleştirilen toplam yük tahminine göre daha karmaşık süreçlerin tasarlanmasını gerektirmektedir. Bu nedenle, kısa dönemli yük tahmini uygulaması için hibrit bir derin öğrenme modeli oluşturulmuştur. Önerilen model, 1-Boyutlu (1-B) evrişimsel sinir ağlarını (Convolutional Neural Network-CNN), uzun kısa süreli bellek (Long Short Term Memory-LSTM) ağlarını ve gelişmiş veri ön işleme yöntemlerini bütünleşik bir çerçevede kullanmaktadır. Gelişmiş veri ön işleme aşamasında yük profillerinde yoğunluk tabanlı aykırılık analizi, parametre optimizasyonu, 1-B CNN ağları kullanılarak öznitelik çıkarma işlemleri gerçekleştirilmiştir. Önerilen hibrit derin öğrenme modeli hem dağıtım şirketinden hem de halka açık akıllı sayaç veri kümelerinde test edilmiştir. Kayıp-kaçak tespit uygulamasında altı farklı sahte veri yerleştirme (False Data Injection-FDI) senaryosu yerel bir dağıtım şirketinin AMI seviyesindeki gözlemci sayaç ve akıllı sayaç verileri kullanılarak incelenmiştir. Aynı zamanda, Highly Comparative Time-Series Analysis (HCTSA) yazılım paketi ve Komşuluk bileşen analizi (Neighborhood Components Analysis-NCA) kullanılarak anormal yük profillerinden kapsamlı istatistiksel öznitelikler hesaplanmış ve derin öğrenme tabanlı bir sınıflandırıcı model oluşturulmuştur. Önerilen derin öğrenme modeli Büyük Veri teknolojileri ile entegre edilerek farklı kayıp-kaçak senaryoları kullanılarak test edilmiştir.