3 sonuçlar
Arama Sonuçları
Listeleniyor 1 - 3 / 3
Öğe Yeni bir metot olan geri beslemeli lineer regresyon ile akıllı şebekeye bağlı meskenlerde kısa dönem yük tahmini(Batman Üniversitesi Fen Bilimleri Enstitüsü, 2019-10-18) Tekin, Hazret; Ertuğrul ,Ömer FarukBir ilin ya da bölgenin şebekeden çektiği elektrik enerjisini kısa veya uzun dönemli tahmin etmek klasik elektrik iletim ve dağıtım şebekesinin yönetimi açısından oldukça önemlidir. Günümüzde ise akıllı şebekeler kapsamında artık her bir meskenin kendi özelinde şebekeden çektiği yük miktarı önem kazanmıştır. Akıllı şebekeden elektrik çeken meskenler aynı zamanda güneş enerjisi gibi alternatif enerji kaynakları ile elektrik üretebilmektedir. Bu durum göz önüne alınarak böyle bir meskenin şebekeden çektiği elektrik yükünün tahmini bu çalışmada klasik yöntemlerden lineer regresyon ve yapay sinir ağları ile test edilmiş ancak istenen oranda başarı elde edilememiştir. Bu sebeple güneş enerjisi ile elektrik üretebilen bir meskenin şebekeden çektiği elektrik miktarını tahmin etmek için yeni bir metoda gereksinim duyulmuştur. Bu sebeple bu çalışmada birçok regresyon probleminde başarılı sonuçlar üreten lineer regresyon yöntemi geliştirilerek, dinamik sistemleri modelleyebilmesi ve herhangi bir zamana ait şebekeden çekilen elektrik miktarını tahminde tahmin başarısını arttıran ve geçmiş verileri de dikkate alan geri beslemeli lineer regresyon olarak isimlendirilen yeni bir yöntem önerildi. Önerilen yaklaşımı test etmek için, Smart Project kapsamında U Toplu İz Havuzunda paylaşılan Sundance veri seti kullanılmıştır. Önerilen yöntemin başarısını doğrulamak için her bir veri setine lineer regresyon ve aşırı öğrenme metotları uygulanmıştır. 59 farklı mesken için elde edilen sonuçlara bakıldığında, geri beslemeli lineer regresyon ile elde edilen kök ortalama kare hata (RMSE) değerlerinin lineer regresyon ve aşırı öğrenme yöntemine kıyasla daha düşük olduğu yani daha başarılı tahmin sonuçları verdiği saptanmıştır. Bu başarının nedeni zaman sıralı veri setlerinde ve sinyallerde geri beslemeli yöntemlerin dinamik modelleme kabiliyetleri sayesinde sistemi daha başarılı bir şekilde modelleyebilmeleridir.Öğe Akıllı şebekelerde yenilenebilir enerji santrallerinin şebekeye entegrasyonu ve aktif güç kontrolü(Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, 2023-08-23) Tur, Mehmet Necat; Ertuğrul, Ömer FarukTeknolojik uygulamaların sürekli artışı, elektrik tüketim miktarında sürekli bir büyümeyi beraberinde getirecektir. Fosil yakıtların sınırlı doğasından dolayı, yenilenebilir enerji kaynaklarından enerji üretimi öneminin her geçen gün arttığı gözlemlenmektedir. Günümüzde kullanılan elektrik iletim ve dağıtım şebekeleri, artan elektrik ihtiyacını karşılamak adına sürekli olarak genişletilmektedir. Gelecekte ise mevcut şebeke altyapılarının akıllı şebeke sistemlerine dönüştürülmesi, kaçınılmaz bir gereklilik halini alacaktır. Bunun yanında arz ve talep arasındaki güç dengesi, elektrik şebekelerinin güvenilir ve istikrarlı çalışması için esas alınarak kontrol bir yapılması amaçlanmaktadır. Arz ve talep arasındaki uyumsuzluk, elektrikli cihazların çoğunun arızalanmasına neden olan frekans sapmalarına neden olmaktadır. Ayrıca, birçok şebekede olduğu gibi, sistem kararlılığını etkileyerek sistem kesintilerine yaşanmaktadır. Akıllı şebeke, günümüzde arızaları otomatik ve hızlı bir şekilde çözümleyen, talebi izleyen ve daha güvenilir elektrik gücü için istikrarı koruyan ve eski haline getiren teknolojileri ve yöntemleri tanımlamak için kullanılmaktadır. Akıllı şebeke konseptinde, merkezi santrallerin hakim olduğu şebekeden dağıtılmış santralleri sistem genelinde entegre etmeye doğru bir paradigma kayması mevcuttur. Bu nedenle, konvansiyonel santrallerde olduğu gibi yük dağılımlarının önceden planlamak kolay değildir. Bu çalışmada, aktif gücün gerçek zamanlı olarak kontrol edilmesi (talep ve arzın dengelenmesi) için bir yöntem önerilmiştir. Üretim, talep, depolama, pazar, çevre koşulları ve diğer gerekli veriler hakkında gerçek zamanlı veri alışverişi için bu yöntem akıllı şebekelerde uygulanabileceği düşünülmektedir. Bu veriler, akıllı şebekede gerçek zamanlı arz ve talep dengeleme hakkında karar vermede önemlidir. Ayrıca akıllı şebekelerde, talep karşılama ve depolama sistemlerinin avantajlarından yararlanarak arz ve talebi gerçek zamanlı olarak dengelemek mümkündür. Simülasyon, önerilen yöntem için DigSilent Power Factory programı ile yapılması hedeflenmektedir. Simülasyon aracının bir elektrik şebekesi modelleme parçasına ek olarak, karar verme programını kodlamak için DigSilent Programlama Dili (DPL) özelliği kullanılması amaçlanmaktadır.Öğe GRU ile bölgesel tüketim modelleme ve tahmin: Derin öğrenme ile tüketici davranışlarını anlama(Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, 2024-02-16) Tung, Herdem; Ertuğrul, Ömer FarukGünümüzde artan enerji ihtiyacına karşılık üretim kapasitesindeki artış aynı zamanda tüketicilerin düzensiz ve sabit olmayan enerji ihtiyacı enerji kalite kontrolünü ve enerjide yük tahmini yapmayı zorunlu hale getirmiştir. Enerji kalitesinin iyileştirilmesi son zamanlarda artan akıllı şebekeler ve bunların kullanım alanın genişlemesiyle ön planda olmuştur. Ayrıca akıllı şebekelere dahil olan yapay zekâ alanındaki gelişmeler enerji kalitesini arttırmıştır. Enerji üretim kalitesi oldukça yüksek olsa da tüketim bandı, tüketicilerin farklı ve stabil olmayan durumları şebekede dengesizliklere yol açmaktadır. Bu dengesizliklerin giderilmesi çeşitli yöntemlerle yapılmaya başlanmış olup bunlardan biride şebekenin tüketim karakteristiğini çıkarmak ve buna üretimi düzenlemektir. Aynı zamanda çıkarılan tüketim durumuna göre uygun üretim durumu enerji üretim ve tüketim kalitesini arttıracaktır. Yaptığımız çalışma tamda bu tür sorunlara yeni bir çözüm oluşturmaktadır. Çalışma örnek bir yerin mevcut olan tüketim alışkanlıklarını çıkarıp bunları düzenledikten sonra bunların analizi yapıp mevcut enerji ihtiyacını görmektir. Ayrıca çalışmada düzensizlik sebeplerini araştırmak ve oluşacak enerji ihtiyaçlarımdan önceden haberdar olarak üretimi belirlenebilir. Tüketim tahmini farklı özellikler (hava durumu, kullanım yeri, kullanım tarihi, yenilenebilir enerji kullanımı, yıllık tüketim vb.) göz önüne alınarak yapılmıştır. Tahminleme yaparken yapay zekâ alanında birçok yöntem olsa da biz kullandığımız veri setine uygun olduğunu düşündüğümüz GRU (Geçitli Tekrarlayan Birim) yöntemi kullanılandık. Tahminlemede kullandığımız yöntem elde ettiğimiz RMSE sonuçlarına bakınca veri setimize uygun olduğu kanıtlanmıştır.
