Derin öğrenme modelleri ile elektrik kesinti tahmini

Abstract

Gelişmekte olan ülkelerde artan nüfus, sanayi ve teknolojinin yaygınlaşması, ekonominin artan trendi ile birlikte enerji kullanımı da artmaktadır. Bu artışın ana enerji kaynağı ise elektriktir. Bu bakımdan elektrik kesintileri ağır sanayi, üretim gibi birçok alanın yanında hastane, eğitim kurumları, iletişim gibi önemli alanlarda etkisini büyük oranda hissettirmekte, kesinti süresi ile orantılı olarak ekonomik kayba sebebiyet vermektedir. Kesintilerin önceden tahmini ile kullanıcılarının önceden bilgilendirilmesi, ilgili dağıtım şebekesine yatırımlarının planlanması ve kesintinin yoğunluğuna göre müdahale ekibinin belirlenmesi ile kesinti süresinin en az seviyeye indirilmesi sağlanabilir. Bu alanda yapılan çalışmalar incelendiğinde daha çok yapay zeka modelleri kullanılarak elektrik arıza sayıları ve ekonomik maliyeti tahmini yürütülmüştür. Bu çalışmada bölgede günlük olarak alınan kesinti verilerinin analizi yapılarak önceki kesintilerin bölgesel olarak sayıları ve bölgenin meteorolojik koşulları dikkate alınarak derin öğrenme modelleri ile kesintinin oluşacağı bölgeyi ve kesinti yoğunluğunun (sayılarının) tahmin edilmesi önerilmiştir. Derin Öğrenme yöntemlerinden Konvolüsyonel Sinir Ağı (CNN), Tekrarlayan Sinir Ağı (RNN) ve Uzun Kısa Vadeli Hafıza (LSTM) modelleri aracılığı ile Uyarlanabilir Momentum Tahmini (adam) ve Karesel Ortalama Hata Olasılığı (RMSProp) optimizasyonları kullanılarak deneyler yapılmıştır. Deneylerde 3 farklı veri seti üzerinde özellik çıkarma, ekleme ve Ortalama Mutlak Hata (MAE), Ortalama Karesel Hata (MSE) metrikleri ile modellerin başarıları değerlendirilmiştir. Yapılan değerlendirmede özellik sayısı bakımından RMSProp optimizasyonu kullanılan LSTM 'in çok özellikli verilerde 0.0202 MAE ve 0.008 MSE değerleri ile en başarılı model olduğu, genel olarak değerlendirildiğinde de yine aynı şekilde RMSProp optimizasyonu kullanılan LSTM' in 0.0377 MAE ve 0.0027 MSE değerleri ile az özellikli veride de en başarılı sonucu verdiği gözlemlenmiştir.

With the increasing population, the spread of industry and technology in developing countries, and the increasing trend of the economy, the usage of energy is also increasing. The main energy source of this increase is electricity. In this respect, power outages have a great impact in many areas such as heavy industry, production, as well as in important areas such as hospitals, educational institutions, communication, and cause economic loss in proportion to the duration of the outage. It can be ensured that the downtime is minimized by informing the users in advance, planning the relevant distribution network investments and determining the maintenance team according to the intensity of the outage. When the studies in this field are examined, mostly artificial intelligence models are used to estimate the number of electrical faults and its economic costs. In this study, it is suggested to estimate the region where the outages will occur and the density (numbers) of the outage with deep learning models by analyzing the daily outage data in the region, taking into account the regional numbers of the previous outages and the meteorological conditions of the region. Experiments were carried out using deep learning methods Convolutional Neural Network (CNN), Recurrent Neural Network (RNN) and Long Short Term Memory (LSTM) models using Adaptive Moment Estimation (adam) and Root Mean Square Error Probability (RMSProp) optimizer. In the experiments, the success of the models was evaluated with feature extraction, and Mean Absolute Error (MAE), Mean Squared Error (MSE) metrics on 3 different data sets. In the evaluation, it was seen that LSTM, which used RMSProp optimization in terms of number of features, was the most successful model with 0.0202 MAE and 0.008 MSE values in multi-feature data. When evaluated in general, it was observed that LSTM, which used RMSProp optimization in the same way, gave the most successful results with 0.0377 MAE and 0.0027 MSE values, as well in low-featured data.