Dağıtım şebekesinde kısa dönem yük tahmini

Abstract

Günümüzde enerji ihtiyacı teknolojik gelişmeler ile birlikte sürekli olarak artmaktadır. Artan enerji ihtiyacının güvenilir, ekonomik, kaliteli ve sürdürülebilir bir şekilde sağlanabilmesi konusu gün geçtikçe önem kazanmaktadır. Enerjinin ekonomik, kaliteli ve sürdürülebilir bir şekilde sağlanabilmesi enerji sistem planlamasının optimizasyonu ve başarısı ile doğrudan ilişkilidir. Yük tahmini enerji sistem planlamasının ilk ve en önemli aşamalarından biridir. Elektrik yük tahmini geçmiş ve bugünkü elektrik yüklerini analiz ederek, yük tahminine etki eden faktörlerin belirlenmesi ve bunların analizi sonucunda farklı yöntemler, algoritmalar kullanılarak gelecekte olabilecek yükü belirlemek olarak tanımlanabilir. Yük tahmini farklı amaçlar doğrultusunda zaman kıstasına göre çok kısa dönem, kısa dönem, orta dönem ve uzun dönem olarak sınıflandırılmaktadır. Bir yıldan uzun yük tahminleri uzun dönem, bir haftadan bir yıla kadar olan yük tahminleri orta dönem, bir saatten bir haftaya kadar olan zamanları kapsayan tahminler kısa dönem ve bir saatten daha kısa yük tahminleri çok kısa dönem yük tahmini olarak sınıflandırılmaktadır. Elektrik yük tahmini yapmak için kullanılan giriş parametreleri değişkenlik göstermektedir. Uzun dönem yük tahmininde gayrisafi milli hasıla, nüfus gibi parametreler ağırlıklı olarak kullanılırken kısa dönem yük tahminlerinde meteorolojik veriler ağırlıklı olarak kullanılmaktadır. Elektrik tüketimi gün içerisinde saatlik bazda değişkenlik göstermektedir. Gün içerisinde değişen tüketim miktarını, devreye girecek ve devreden çıkacak enerji santrallerini belirlemek kısa dönem yük tahmini ile başlar. Kısa dönem yük tahmininin bir başka fonksiyonu ise enerjinin ekonomik olmasını sağlamaktır. Gün geçtikçe artan enerji ihtiyacını karşılamak ve enerjinin sürdürülebilirliğini sağlamak yük tahmini ile başlar. Bu sebeple yük tahmini uygulamaları gün geçtikçe önem kazanmaktadır. Literatürde, yük tahmini için şu ana kadar kullanılan birçok farklı algoritma ve metodoloji bulunmaktadır. Bu çalışmada literatürde kullanılan analitik yöntemler ve yapay zekâ yöntemleriyle Marmara bölgesinde bulunan bir ile ait 2016-2017 yılları arası veriler kullanılarak saatlik kısa dönem yük tahmini yapılmıştır. Çalışmada kullanılan modeller de temel olarak hafta günleri 3 farklı yöntem kullanılarak ayrılmıştır. Tahmin çalışmalarında kullanılan bağımsız değişken ve bağımlı değişkenler arasında pozitif ve/veya negatif ilişki ne kadar yüksekse model o kadar yüksek tahmin sonuçları vermiştir. Bu sebeple literatürde bazı çalışmalar hafta günleri arasında herhangi bir ayrım yapmadan, bazı çalışmalar hafta içi ve hafta sonu olarak ayrım yapıp iki farklı eğitim ve test verisi kullanılarak, bazı modeller ise hafta içi ve hafta sonu modellerini ayrı eğitim ve test verisi olarak kullanmamak için giriş parametrelerine hafta içi ve hafta sonu ayrımı yapmak için kukla değişken olarak isimlendirilen bağımsız değişken kullanılarak tahmin işlemi gerçekleştirilmiştir. Bu çalışmada gün ayrımlarının tahmin sonucuna etkisini gözlemlemek amacıyla 3 farklı gün ayrımı kullanılmıştır, kullanılan gün ayrımları hafta içi ve hafta sonu için günxx ayrımı yapılmadan, gün ayrımı yapılarak ve hafta içi ve hafta sonu için kukla değişken kullanılarak yapılan tahmin olarak en genel haliyle ifade edilebilir. Bu çalışmada gün modelleri 5 farklı bağımsız değişken seti kullanılarak tahmin işlemi gerçekleştirilmiştir. Kullanılan bütün metodolojilerde kullanılan yük, sıcaklık veri seti gibi veriler aynı veri seti kullanılarak yapılmıştır. Kullanılan farklı metodolojilerin amacı gün ayrımı yapılmasının ve yapılan ayrımda kullanılan giriş parametrelerinin kullanılan yöntemlerle birlikte tahmin doğruluğunun üzerindeki etkisini araştırmaktır. Veri setinde görülebileceği üzere yük ve meteorolojik veriler mevsimsellik gösterdiği için mevsim parametresi kış, ilkbahar, yaz ve sonbahar sırasıyla (0, 1, 2, 3) dönüştürülerek tüm modeller için bağımsız değişken olarak kullanılmıştır. Bu çalışmada kısa dönem yük tahmini saatlik veya bir diğer ifadeyle bir saat arayla yapıldığı için kullanılan algoritmaların veri seti saatlik olarak tüm modellere tanıtılmıştır. Modellerde kullanılan meteorolojik verilerden nem ve sıcaklık verileri 1 saat önceki nem ve sıcaklık verileridir. Tahmin yöntemleri olarak ARIMA (Otoregregresif bütünleşik hareketli ortalama), destek vektör makineleri, destek vektör regresyonu, KNN (En yakın K Komşu) ve karar ağacı regresyonu algoritmaları kullanılmıştır.