Türkiye'nin kısa dönemli saatlik bazda elektrik tüketiminin yapay zeka teknikleri kullanılarak tahmin edilmesi

Abstract

Elektrik enerjisi, günlük yaşantımız için hayati öneme sahip, doğal ve yapay kaynaklardan elde edilen, depolanamayan bir enerji kaynağıdır. Sınırlı kaynaklar kullanılarak üretilen ve depolanamayan elektrik enerjisinin üretiminde, arz-talep dengesinin en iyi şekilde sağlanması, büyük bir öneme sahiptir. Bu tez çalışmasında saatlik bazda kısa dönemli elektrik enerjisi tüketimi, geliştirilen bulanık mantık temelli modeller kullanılarak tahmin edilmekte ve doğadan esinlenen optimizasyon algoritmaları ile tahmin modelleri optimize edilmektedir. Çalışmada, bulanık mantık tahmin modelinde kullanılan kural tabanları yapay karınca kolonisi ve genetik algoritma optimizasyon yöntemleri kullanılarak iyileştirilmiş ve karma yapay zekâ temelli tahmin modelleri geliştirilmiştir. Önerilen tahmin modellerinin eğitim ve testlerinde 2011-2014 yıllarına ait saatlik bazda elektrik tüketim bilgisi, hava sıcaklık bilgisi, takvim bilgisi kullanılmış ve makine öğrenmesi tekniklerinden biri olan pekiştirmeli öğrenme tekniği kullanılmıştır. Yapılan çalışmalarda, saatlik bazda elektrik tüketim bilgisi ortalama %3'lük hata payı ile tahmin edilmiştir.

Electrical energy is an energy source that is produced by using natural and artificial sources and is vital for our daily life. In the production of electrical energy, which is produced by using limited resources, the supply-demand balance is of utmost importance. In the thesis study, short-term electrical energy consumption on an hourly basis is forecasted by using fuzzy logic-based models and nature-inspired optimization algorithms were used for optimization on proposed forecasting models. In the study, rule bases used in fuzzy logic prediction models were improved by using artificial ant colony and genetic algorithm optimization methods and hybrid artificial intelligence (AI) based forecasting models were developed. In the training and testing phase of the proposed prediction models, hourly basis electricity consumption information, air temperature information and calendar information which are belonging to the period of 2011-2014 were used and reinforcement learning (q-learning) technique which is one of the most common machine learning techniques was used. According to the results obtained in the studies, electricity consumption information on an hourly basis was forecasted with an average error margin of 3% and giving promising information of using AI-based methods on developing short-term load forecasting models.