Makine öğrenim yöntemlerini kullanarak gecol'daki güç yükü tahmini

Bu çalışmada, enerji tüketimini tahmin etmek için yapay bir sinir ağı kullanılmış ve SCADA (Denetleyici Kontrol ve Veri Toplama) verilerinin enerji üretimi, sıcaklık, nem ve rüzgar hızı gibi parametrelerle analiz edilmesi sağlanmıştır. SCADA veritabanının ön işlenmesi, Sinir Ağı algoritması için verileri optimize etmektedir. Bir dizi deney, 5 kat çapraz doğrulamada öğrenme verileri için 0,98 ve test verileri için 0,95 R2 değeri de dahil olmak üzere doğruluk ve kayıp azaltımına dayalı değerlendirmelerle bir tahmin modeli oluşturmaktadır. Çalışma, Libya Genel Elektrik Şirketi bünyesinde karar alma sürecine yardımcı olmayı amaçlayan, özellikle yük azaltma senaryolarında ağın enerji tahmin değerine ışık tutmaktadır. Ayrıca çalışma, Apriority algoritmasını ve Weka aracını kullanarak enerji tüketimi modellerini ortaya çıkarmakta ve kuralların %100 güvenle altını çizmektedir. Yüksek tüketim, 5800 MW'ı aşan güç ve 3,19 ila 8,45 km/saat aralığındaki rüzgar hızıyla; orta tüketim, 4000,5 ila 4269,5 MW aralığındaki güç ve 16,325 ila 18,055°C aralığındaki sıcaklıkla ve düşük tüketim, 2505,5 ila 3080,5 MW aralığındaki güç ve sabah 4:00 ila 6:00 arasındaki süre içerisinde 16,325 ila 21,635°C aralığındaki sıcaklıkla ilişkilendirilmiştir. Enerji verileri sınıflandırma analizinde Rastgele Orman algoritması 9,56 saniyede %94,651 doğruluk oranıyla en iyi performansı sergilerken, bunu sırasıyla %93,046 ve %92,707 doğruluk oranlarıyla J48 ve Regresyon Yoluyla Sınıflandırma algoritmaları izlemiştir. Daha hızlı alternatifler arasında yer alan ve öğrenme süreleri 0,08 ile 0,88 saniye arasında değişen One R, Rastgele Ağaç, Karar Ağacı ve Öznitelik Seçili Sınıflandırıcı algoritmaları, enerji yönetimi uygulamalarının daha iyi anlaşılmasına katkıda bulunmakta ve gelecekteki çalışmalar için öngörü sağlamaktadır.