Yeni bir metot olan geri beslemeli lineer regresyon ile akıllı şebekeye bağlı meskenlerde kısa dönem yük tahmini

Abstract

Bir 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.

The short and long-term forecasting of grid electrical energy of a province or region is important for the management of the conventional electricity transmission and distribution network. Nowadays, the amount of electrical energy that each residential building has taken from the grid has gained importance within the scope of smart grids. Residential buildings that take electricity from the smart grid can generate electricity with alternative energy sources such as solar energy. Considering this situation, it has been tested in this project with linear regression and artificial neural networks, which are the classical methods for estimating the electrical energy of such a residential building, but, the desired success rate was not achieved. For this reason, a new method is needed to estimate the amount of electricity of a residential building that can generate electricity with solar energy. For this reason, in this study, linear regression method, which produces successful results in many regression problems, has been developed and proposed a new method called recurrent linear regression which is able to model dynamic systems and increase the estimation success in estimating the amount of electricity drawn from the grid at any time and taking historical data into consideration.In order to test and validate the proposed approach, the Sundance dataset, which is shared in the U Mass Trace Repository according to Smart Project was used. To confirm the success of the proposed method, the linear regression and extreme learning machines methods were used for each different data set. Obtained results, which were taken from 59 different residential buildings, showed that lower rooth mean square error (RMSE) values were achieved by recurrent regression compared to linear regression and extreme learning method. The reason for this success is the ability to model the system more successfully thanks to the dynamic modeling capabilities of recurrent methods in time-sequential data sets and signals.