Destek Vektör Makineleri İle Elektriksel Yük Talep Tahmini Uygulaması

Abstract

Elektriksel güç sistemlerinin işleyişlerinin planlanmasında yük tahmini oldukça kritik bir sorundur. Günümüzde elektrik endüstrisi kısa dönemde (saatler, günler ya da bir ay öncesinden) orta dönemde (bir aydan bir yıla kadar olan süre öncesinden) ve uzun dönemde (bir yıldan fazla süre öncesinden) yapılan tahminlere ihtiyaç duymaktadır. Bunların arasından orta dönem tahminler özellikle fiyat politikalarının belirlenmesinde, bakım onarım çalışmalarının programlanmasında, yakıt tedariğinin organizasyonunda ve acil durumlarda kullanılacak ünitelerin belirlenmesinde önemli rol oynamaktadır. Bu çalışmada, İstanbul Avrupa Yakası orta dönem yük tahmini, İstatistiksel Öğrenme Teorisinden ortaya çıkan ve bir makine öğrenmesi dalı olan Destek Vektör Makinaları ile yapılmıştır. Bu amaçla üç adet veri kümesi oluşturulmuştur. Bunlardan ilki 2006 yılından 2009 yılına kadar olan geçmiş yük verileri, ortalama hava sıcaklığı, takvim günleri ve elektrik fiyatı ile oluşturulurken, ikincisi yine aynı değerlerle ancak sıcaklık verileri çıkarılarak kurulmuştur. Üçüncü veri kümesinde ise yalnızca takvim günleri ve geçmiş yük değerleri kullanılmıştır. Bu üç veri kümesi kullanılarak modeller oluşturulmuştur. Elde edilen modeller ile de 2010 yılı Nisan ayının günlük puant yük değerleri tahmin edilmiştir. Aynı üç veri seti Destek Vektör Makinelerinde kullanıldığı şekilde Yapay Sinir Ağları ile de kullanılmıştır. Bulunan 2010 Nisan ayı değerleri Destek Vektör Makineleri ile bulunan sonuçlarla ve gerçek değerler ile karşılaştırılmıştır. Bu çalışmanın sonucunda Destek Vektör Makinaları algoritmasının Yapay Sinir Ağlarına oranla daha üstün ve orta dönem yük talep tahmini için uygun olduğu ortaya çıkmıştır.

Load forecasting is a very critical issue for the operational planning of electric power systems. Today, the electrical industry requires forecasts in short terms (hours, days or a month in advance), mid-terms (from a month to a year) and long terms (more than a year in advance). Among these, mid-term forecasts plays a vital role in defining the pricing policies, scheduling maintenances, organizing fuel supply and determining the power plants which can be used in urgent conditions. In this study, Support Vector Machines, one of the machine learning techniques based on Statistical Learning Theory, is used in application for mid-term electrical load forecasting in Istanbul European Side. Three data sets are constructed, first one with the past daily peak load data, average temperature, calendar days and electricity price data of 2006 through to 2009, second one including all but temperature values and the third one is with only calendar days and past load values. Using these three data sets, models are obtained. With those models, April 2010’s maximum daily peak load demand is predicted. The same three data sets are used with Artificial Neural Networks and the resulting April 2010’s peak load values are compared with SVM and real values. It is concluded that Support Vector Machine algorithm is superior in all data sets to Artificial Neural Networks and is rather suitable for mid-term electrical load demand forecasting applications.