Dağıtım sisteminin özelleştirilmesi ve yapay sinir ağları ile yük tahmini

Abstract

DAĞITIM SİSTEMİNİN ÖZELLEŞTİRİLMESİ VEYAPAY SİNİR AĞLARI İLEYÜK TAHMİNİ(Yüksek Lisans Tezi)Hilal Aybike AKARGAZİ ÜNİVERSİTESİFEN BİLİMLERİ ENSTİTÜSÜKasım 2005ÖZETBu tezin Enerji Dağıtım Sisteminin Özelleştirilmesinde (EDSÖ) rol almak isteyenşirketlere referans olacağı düşünülmektedir. Bu çalışmanın gerçekleştirilmesi birbölgedeki yük tahmininin daha sağlıklı yapılabilmesine olanak tanımaktadır.Bu çalışmada, 12. Bölge ve Türkiye için uzun dönem yük tahmini uygulamasıYapay Sinir Ağları (YSA) ve Regresyon Analizi metoduyla gerçekleştirilmiştir. Geriyayılım algoritması kullanan bir YSA modeli ve çok değişkenli regresyon analizimodeli uygulanmıştır.Yükü etkileyen faktörler olarak nüfus, gayri safi milli hasıla, gelişim hızı, sanayiüretim endeksi, petrol fiyatları gibi ekonomik ve sosyal göstergeler temel alınmıştır.Son olarak, seçilen örnek veriler kullanılarak sonuçlar hem regresyon analizindehem de YSA da test verileri ile karşılaştırılmıştır. Test sonuçlarına göre YSAmodeli 12. görev bölgesinde regresyon modelinden daha başarılı olmuştur.Bilim Kodu : 905Anahtar Kelimeler : Dağıtımın Özelleştirilmesi, Yük Tahmini, YSA, Regresyon.Sayfa Adedi : 98Tez Yöneticisi : Prof. Dr. M. Cengiz TAPLAMACIOĞLU

DISTRIBUTION SYSTEM AND LONG TERM LOAD FORECASTINGUSING ARTIFICIAL NEURAL NETWORK(M.Sc. Thesis)H.Aybike AKARGAZİ ÜNİVERSİTESİINSTITUTE OF SCIENCE AND TECHNOLOGYNovember 2005ABSTRACTThis thesis will be a reference for organizations that are interested in electricitymarketing. In this thesis, using artifical neural network architecture in long termload forecasting, the better results are obtained.Long term load forecasting is achieved using regression analysis and artificialneural network methods in the scope of privatization of energy distributionsystem. In this thesis, a multilayer feed-forward neural network based long termload forecasting method is chosen.It is known that electricity load depends on many factors such as population, GrossNational Product (GNP), Development Velocity (DV), Industrial Production Index(IPI) and petroleum price. Artificial neural network is trained by using past loggeddata and results are compared with both test data of artificial neural network andregression analysis results. As a result of, an artificial neural network model whichsucceeds better than regression analysis model is used for 12th region.Science Code: 905Key Words : Energy Distribution System, Long Term Load Forecasting,Artificial Neural Networks, Regression.Page Number : 98Adviser : Prof. Dr. M. Cengiz TAPLAMACIOĞLU