Orta fırat bölgesindeki elektrik yükleri için yapay sinir ağları kullanarak yeni bir tahmin sistemi tasarımı

Bu çalışma, ileri beslemeli sinir ağları (FNN'ler) ve uzun-kısa süreli bellek (LSTM) ağlarına odaklanarak Babylon bölgesinde elektrik yükü tahmini için yapay sinir ağı modelleri geliştirmeyi amaçlamaktadır. Yük tahmini, optimum kaynak tahsisi, doğru bakım planlaması ve enerji maliyetinin azaltılmasında yol gösterici bir rol oynayabileceğinden enerji kaynaklarının ve elektrik sistemlerinin yönetiminde çok önemlidir. Enerji sistemlerinin karmaşıklığı ve sürekli değişen talep göz önüne alındığında, yük tahmini büyük önem taşımaktadır. ARIMA gibi bazı istatistiksel yöntemler bazı durumlarda iyi performans gösterse de, geleneksel tahmin teknikleri değişkenler arasındaki doğrusal olmayanlıkları tam olarak yakalamaz. Öte yandan, özellikle derin öğrenmeye dayalı olan sinir ağları, tahmin doğruluğunu iyileştirmek için yararlı araçlar olduklarını kanıtlamıştır. Bu tez, elektrik yükü talebini tahmin etmek için bir tür yapay sinir ağı olan FNN ve LSTM'yi kullanmayı amaçlamaktadır. Bu araştırmada analiz edilen veriler, Ocak 2021'den Nisan 2024'e kadar olan dönemde Irak'ın Babil bölgesindeki 33/11 kV elektrik dağıtım istasyonlarından gelen yük verilerini içerir. Sıcaklık bilgileri ayrıca Accuweather, Wonderground ve Weather gibi güvenilir kaynaklardan toplandı. Yük ve hava durumu verileri, 2024 ve 2025 için elektrik yükünü tahmin etmek üzere belirli aylardaki talep dalgalanmalarının etkisine özel olarak odaklanılarak modele dahil edildi. Bu araştırmada kullanılan verilerin bir kısmı, sıcaklık kayıtlarına ek olarak aynı döneme ait aylık yük talebi kayıtlarını içerir. Yük verileri, bölgeye dağılmış çeşitli elektrik santrallerindeki enerji tüketiminden oluşur ve sıcaklık verileri, hava koşullarının enerji tüketimi üzerindeki etkisini anlamak için kullanılır. Veri temizliğinden sonra, veri kalitesi optimizasyon ve biçimlendirme yoluyla iyileştirildi. Birkaç aya ait veriler, maksimum ve minimum sıcaklıkları girdi olarak ve elektrik yükü talebini hedef olarak belirterek pandas kullanılarak tek bir veri çerçevesinde birleştirildi. Ayrıca, aykırı değerleri önlemek için hedef değerler budandı. MinMaxScaler gibi normalizasyon yöntemleri ve standardizasyon yöntemleri, giriş verilerini sinir ağı modeline ölçeklemek için kullanılır. Normalizasyon, özellikle nöronların eğitim sırasında birleşmesini sağlamak için önemlidir, bu nedenle özellik aralıklarını tekdüze hale getirmek için uygulanır. Modeli tasarlamak ve eğitmek için iki farklı yapay sinir ağı türü kullanıldı: ileri beslemeli sinir ağları (FNN'ler) ve uzun-kısa süreli bellek (LSTM'ler). Amaç, verileri mevcut doğasına göre analiz etmek ve sonuçları tahmin etmektir. En uygun modeli seçmek, veri yapısı, model doğruluğu ve eğitim verimliliği gibi çeşitli faktörlere bağlıdır. Yapay sinir ağı modelini oluşturmak için TensorFlow ve Keras kullanıldı. Model doğruluğunu sağlamak ve aşırı öğrenmeyi önlemek için, performansı izlemek ve optimizasyon durduğunda eğitimi durdurmak için erken durdurma kullanıldı. Birkaç eğitim döneminden sonra öğrenme oranını kademeli olarak azaltmak için bir öğrenme oranı zamanlayıcısı kullanıldı ve bu da eğitimi sabitlemeye yardımcı oldu. Adam optimize edicisi de kullanıldı. Veriler bir eğitim seti (%80) ve bir test seti (%20) olarak ayrıldı. Genelleştirmeyi artırmak ve eğitim verisi desenlerine olan bağımlılığı azaltmak için, bırakma katmanları gibi teknikler kullanıldı. Performans ayrıca öğrenme oranı, parti boyutu ve eğitim dönemi sayısı gibi hiperparametreler seçilerek de ayarlandı. Bu çalışmada kullanılan modelin tahmin doğruluğu, ortalama kare hatası (MSE), ortalama mutlak hata (MAE) ve ortalama mutlak yüzde hatası (MAPE) gibi metrikler kullanılarak test verileri üzerinde değerlendirildi. Bu metrikler, modelin görülmeyen verileri tahmin etme ve iyileştirme alanlarını belirleme yeteneğinin iyi bir göstergesidir. Ön sonuçlar, modelin elektrik yükü talebinin genel davranışını ay bazında değişen doğrulukla doğru bir şekilde yakalayabildiğini gösterdi. Örneğin, konut tesislerinde klima ünitelerinin kullanımının artması nedeniyle yaz aylarında, özellikle Temmuz ve Ağustos aylarında talepte bir artış gözlemlendi. Benzer şekilde, ısıtma sistemleri nedeniyle Ocak ve Şubat aylarında talep arttı. Ancak, daha düşük sıcaklıklarla Nisan, Mayıs, Ekim ve Kasım aylarında talep azaldı veya sabitlendi. Model, bu mevsimsel değişikliklere karşı yeterince hassastı ve modelin gelecekteki sürümlerine doğru hava durumu verilerinin dahil edilmesi ihtiyacını vurguladı. Sonuçlar, gerçek değerlerle yüksek derecede yakınsama gösterdi ve bazı aylarda iklim değişikliği nedeniyle değişiklikler ve yaz ve kış sıcaklıkları arasında önemli değişiklikler görüldü. Sıcaklıklar yazın yaklaşık 50°C'den kışın minimum 5°C'ye kadar değişiyordu. Test verisi değerlendirmesi yaklaşık 95.000'lik bir MSE ve %18'lik bir MAPE üretti. Uygulamadan sonra, FNN ve LSTM modelleri karşılaştırıldı, eğitim ve doğrulama sırasında kayıp eğrileri izlendi ve kayıp ve doğrulama grafikleri oluşturuldu. FNN modeli yoğun katmanlardan oluşur ve nispeten basit bir yapı (yaklaşık 11.521 parametre) ile sonuçlanır. Öte yandan LSTM modeli, sıralı verilere (LSTM ve yerleştirme gibi) ayrılmış katmanlar içerir ve bu da onu daha karmaşık hale getirir (yaklaşık 79.375 parametre). Bu karmaşıklık, zamansal veya metinsel veriler için uygunluğunu artırır, ancak FNN'ye kıyasla daha yüksek bir hesaplama maliyeti gerektirir. Bu sonuçlar, modelin oldukça doğru tahminler yapma yeteneğine sahip olduğunu ve hatanın daha düşük olması beklenen belirli aylarla genel eğilimleri izlemek için çok yararlı olduğunu göstermektedir. Ayrıca, model geliştirilirken ek faktörlerin dikkate alınması gerektiğini ve gelecekteki çalışmalarda daha karmaşık sinir ağı yapılarının kullanılmasının uzun zaman serilerini ele alma yetenekleri nedeniyle daha iyi sonuçlar verebileceğini vurgulamaktadır. Ekonomik göstergeler, enerji fiyatları ve tüketim kalıpları gibi farklı sektörlerden daha fazla değişkenin dahil edilmesi, talep modelini daha doğru hale getirecektir. Toplu tahminler üretmek için kullanılan toplama teknikleri, varyansı ve önyargıyı azaltarak daha güvenilir tahminler elde edilmesiyle sonuçlandığı için bireysel modellerden de üstündür.