Ann based electricity consumption forecasting in Yasar University

Abstract

Günlük operasyonların planları için kesin elektrik tüketim tahmin işlemleri doğrusal olmayan ve kompleks problemlerdir. Tahmin etme uzun, orta ve kısa zamanlı olarak sınıflandırılabilinir. Uzun zamanlı tahminler yeni elektrik santrallerinin planlanması için, orta vadeli tahminler bakım planlaması için ve kısa vadeli tahminler de günlük operasyon planlaması için kullanılır. Doğru tüketim tahminleri günlük operasyonlar ve güç sistemlerinin kontrolü için önemldir. Elverişli bir kısa dönem yük tahmini kaynak planlama için ve ayrıca control ölçülerinin alınması ile ihtiyaç olan elektriğin dengeli sağlanmasına olanak sağlar. Yüksek enerji fiyatlandırmalarına bağlı olarak yeni enerji kaynaklarının avantajları ve tüketicilerin yük kavislerini anlamak konusunda önemlidir. Bu bilgiler tüketicinin elektrik piyasası içerisinde pazarlık ve diğer ekonomik göstergeler konusunda esnekliğini ve yeteneğini geliştirmek konusund yardımcı olur.Kısa dönem yük tahmini yapmak üzerine geliştirilmiş birçok istatiksel tahmin yöntemi bulunmaktadır. Regresyon Analizi, Zaman Serileri, Uzman Sistemler, Bulanık Mantık ve Yapay Sinir Ağları bu yöntemlere örnektir. Bu tez içerisinde Kısa Dönem Yük Tahmini için Yapay Sinir Ağları yöntemi kullanılmıştır.Bu çalışmada, Yaşar Üniversitesi kampüs binalarından Y-blok mekanik elektrik tüketimi tahmini, merkezi ısıtma ve soğutma sistemlerine sahiptir, Yapay Sinir Ağları kullanılarak yapılmıştır. Bu bina Eylül 2014 yılından beri kullanılmaktadır ve son 3 seneye ait saatlik elektrik tüketim verileri kaydedilmektedir. Aydınlatma elektrik tüketimleri, elektrik girişleri ve Upsler, mekanik tüketimler ve dış çevre aydınlatmaları gözetleme yapılarak kaydedilen verilerdir. Bina içerisinde sınıflar, ofisler ve laboratuvarlar yer almaktadır. Binanın elektrik tüketiminin doğrusal olmayışı bina içerisindeki aktivitelere bağlıdır. Bu sorun günlük çalışma programları ve gün tipi ayırımı ile üstesinden gelinebilmektedir. Buna ek olarak, tipik saatlik tüketim eğisi ayarlamak için çeşitli istatistiksel ve Yapay Ağ metotları geliştirilmiştir.

Although accurate electricity demand forecasts are critical for daily operations planning, electricity demand forecasting is a nonlinear and complex problem. Forecasting can be classified as long, medium, and short-term, including the long-term forecast for new power plant planning, the medium-term forecast for maintenance scheduling and inventory, and short-term forecast for daily operations. Accurate load forecasting is an important issue in the daily operation and control of a power system. A suitable short term load forecasting will enable a utility provider to plan the resources and also take control measures to balance the supply and demand of electricity. Due to the current high energy prices, it is essential to find ways to take advantage of new energy resources and enable consumers to better understand their load curve. This understanding will help to improve customer flexibility and their ability to respond to price or other signals from the electricity market.There are many statistical forecasting techniques applied to short term load forecasting, such as Stochastic Time series, Regression Analysis, Expert Systems, and Artificial Intelligence. This paper presents the Artificial Neural Networks (ANNs) for the Short-Term Load Forecasting (STLF). In this study, the electric energy consumption of a University building in the Campus of Yasar University, which has 24000 m2-usage area and central heating and cooling systems, will be predicted by using ANN's. This building has been using since September 2014 and there are hourly recorded data of this building electricity consumption for the last three years. We have four different energy monitoring equipment to be recorded consumption at the lighting, electrical sockets & UPS, mechanical (HVAC) part, and environmental lighting. There are with classes, offices, and laboratories at the building. Since the non-linearity of the load is associated with the activity in the building, we have demonstrated that the best way to deal with it is using the workday schedule as day-type classifier. Moreover, we have evaluated a number of statistical methods and Artificial Intelligence methods to adjust the typical hourly consumption curve.