YAPAY SİNİR AĞLARI İLE NİĞDE BÖLGESİNİN ELEKTRİK YÜK TAHMİNİ

Transkript

1 YAPAY SİNİR AĞLARI İLE NİĞDE BÖLGESİNİN ELEKRİK YÜK AHMİNİ anku YALÇINÖZ Saadedin HERDEM Ulaş EMİNOĞLU Niğde Üniversiesi, Mühendislik-Mimarlık Fakülesi Elekrik-Elekronik Mühendisliği Bölümü, Niğde 5 / ürkiye e-posa: yalcinoz@nigde.edu.r sherdem@nigde.edu.r ulas4@homail.com. Anahar sözcükler: Yük ahmin Analizi,Yapay Sinir Ağları, ahmin Yönemleri, Enerji Sisemleri ABSRAC his paper presens a load forecasing mehod applied o elecriciy consumpion in Nigde region. he load forecasing mehod is based on he Muli-Layered Percepron MLP neural nework. he proposed neural nework approach is compared wih he moving average mehod. he suiabiliy of he proposed mehod is illusraed hrough an applicaion o acual load daa of Niğde edaş.. GİRİŞ Güç sisemlerinde konrol, işleme, ekonomik elekrik üreimi-dağıımı ve planlamasında yük ahmin analizi büyük bir öneme sahipir. Yapılacak yaırımlar, kurulacak sisemlerin verimli ve kazançlı olabilmesi, sisemin kapasiesinin arırılması v.b. durumlar için elekrik ihiyacının bilinmesi gerekmekedir. Yük ahmin analizi çözümü zor elekrik güç sisemi problemlerinden biridir []. Yük ahminlerini kısa, ora ve uzun dönemli olmak üzere üç değişik boyua incelemek mümkündür. Kısa dönemli ahminler birkaç dakikadan bir güne kadar güç sanralleri arasında yük paylaşımı, en iyi grup belirleme ve ekonomik işlemenin yapılabilmesi açısından büyük bir öneme sahipir. Ora dönemli ahminler bir günden bir yıla kadar dönem için yakı kaynaklarının dağılımını ve bakım işlemlerinin zamanlamasının belirlenmesi için kullanılır. Uzun dönemli analizler (bir yıldan daha uzun) ileim ağlarının ve yeni üreim kapasielerinin ekonomik planlamasında, sisemin modifiye edilmesinde önemli olmakadır. Son yıllarda ürkiye de yük ahmini analizinde birçok çalışmalar yapılmışır. Eşiyok ve arkadaşları [] yapay sinir ağlarını kullanarak İsanbul un bazı bölgeleri için yük ahmin analizini gerçekleşirmişir. Hengirmen ve Kabak [3] Gazianep yöresi için yük ahmin analizini en küçük kareler yönemi ile gerçekleşirmişir. Hengirmen [4] en küçük kareler, harekeli oralamalar ve basi exponansiyel meolarını kullanarak Gazianep bölgesinin enerji ihiyacını ahmin emişir. Yalçınöz ve arkadaşları [5] beş farklı yönemle Niğde bölgesine ai yük ahmin analizini gerçekleşirmişir. Sadownik ve Barbosa [6] Brezilya nın endüsriye ai elekrik ükeiminin ahmin edilmesini aylık veriler kullanılarak zaman serisi ile gerçekleşirmişlerdir. Zaman serisi analizi yönemleri ile aylık verilere göre yük ahmin analizi [6,7,8] yapılmaka ve elde edilen sonuçlara göre kısa dönem planlarının yapılmasına imkan sağlamakadır. Yapay Sinir Ağlarının (YSA), özellikle lineer olmayan problem çözümlemelerinde geleneksel meodlara nazaran göserdikleri performans ve eğiim için kullanılan sınırlı sayıdaki değerlerden harekele genelleme yapabilme yeenekleri bu ekniğin yaygın kullanımını doğurmuşur. Yapay sinir ağları değişik araşırma grupları arafından yük ahmin analizi problemini çözmek amacıyla kullanılmışır [9-]. Bu çalışmada, Niğde'nin 99 yılından iibaren aylık enerji verilerinden faydalanarak, Çok Kamanlı Percepron (MLP) YSA (ANN) ve harekeli oralama yönemi kullanılarak Niğde bölgesinin -4 yılları için enerji ahminleri gerçekleşirilmişir. Ayrıca yapılan ahmin sonucu elde edilen değerler ile yılına ai gerçek değerler karşılaşırılmışır.. AHMİN YÖNEMLERİ ahmin meoları genellikle nielikli ve nicelikli olarak sınıflandırılmaka, maemaiksel ve isaisiksel yönemlere dayanmakadır [6-8]. Zaman serisi analizi, bir değişkenin geçmiş zamanda almış olduğu değerlere karşılık, gelecek zamanda ne değerler alabileceğinin ahminidir.

2 . Harekeli Oralamalar Analizi Bazı olayların oluşumları ve süreçlerin zaman içinde göserdiği değişme rendini bir doğru yardımıyla açıklamak mümkün olmayabilir. Çünkü, bağımsız değişken üzerinde görülen değişmelere karşı bağımlı değişken üzerindeki değişmeler her zaman aynı yönde olmayabilir. Zaman dizileri arasındaki ilişkinin doğrusal olmadığı durumda ilgili rendi ahmin edebilmek için farklı eknikler kullanılır. Bu çalışmada doğrusal olmayan rend analiz yönemlerinden harekeli oralamalar analiz yönemi kullanılarak yük ahmini yapılmışır. İncelenecek olan zaman serisinin uygun bir şekilde herhangi bir maemaik denklem ile belirilmesi mümkün olmadığı akirde, harekeli oralamaların kullanılması ile rend çizgisinin emin edilmesi mümkündür [6]. Harekeli oralamalar yönemiyle, zaman serilerinde meydana gelen dalgalanmaların mümkün olduğu kadar giderilmesi amacı güdülür. Harekeli oralamalar yönemiyle elde edilen rend değerlerinin birleşirilmesi sonucunda rend çizgisi elde edilir. Yeni serinin rend eğrisi; x =b +b () denkleminin çözümü ile elde edilir. Burada b kesişme nokası, b eğim ve ε ise belirli bir zaman aralığındaki oralama rasgele sapmayı gösermekedir. ahmin ekniklerinin birçoğunda değişkenlerin değer varsayımlarında en küçük kareler yönemi kullanılmakadır. ( + ) ( + )( + ) = ve = (7) = = 6 olarak alınabilir. Denklem (5) ve (6) e analiz norm denklemleri denir. Yukarıdaki denklemleri düzenleyerek b ve b bulunabilir. Geleceke bir +τ zaman birimindeki gözlemin yapılması için ahmin denklemi aşağıdaki gibi yazılabilir. X +τ+ ()=b +b (++τ) (8). Yapay sinir ağı ile yük ahmin analizi Yapay sinir ağlarının kullanımı ile kısa ora ve uzun vadeli yük ahmin analizi çalışmaları lieraürde oldukça geniş bir alana sahipir.[,,] Bu çalışmada zaman serisi modellerinden harekeli oralamalar analiz yönemi ve yapay sinir ağları kullanılarak -4 yılları için yük ahmini yapılmışır. Çok Kamalı Percepron YSA nda Widrow Hoff eğiim kuralının çok kamanlı ağlara uygulanması sonucunda oraya çıkmışır. Bu yaklaşım genelikle geri-yayılım algorimasında kullanılmakadır. Giriş ve buna uygun olan çıkış vekörü ağı eğimek için kullanılmakadır. MLP ipi çok kamanlı ağlar giriş, saklı (hidden) ve çıkış kamanlarından oluşmakadır. Kamanlara ai ağlar w ağırlıkları ile ağırlıklanmakadır. Üç kamanlı bir ağlar yapısı şekil- de verilmişir. Zaman serisi işlemindeki oralama, zamanla doğrusal olarak değişmeke olup anındaki oralama b +b dir. zaman aralığındaki uygun verilerin x,x,,...,x olduğunu varsayarak uyarlanmış modelin denklemi ve verilen bir x ahmini için ahmindeki haa (e ) aşağıda ki gibi verilebilir. + x e = b b (3) = x x (4) b ve b değerlerini espi edebilmek için uyarlanmış b veb değerlerini öyle seçilmelidir ki haaların kareleri oplamı en aza indirilebilsin. Bunun sonucu olarak aşağıdaki denklemler elde edilir. Burada = = b () + b = x (5) = = = b + b = x (6) = Şekil- Üç kamanlı ağın yapısı Kamanları oluşuran ağlar arasında anımlanan başlıca akivasyon fonksiyonlar; ansig ( ang- Sigmoid), Logsig (Logarimik-Sigmoid ) ve Purelin fonksiyonlarıdır. Çok Kamalı Percepron YSA nın yapısı bir giriş kamanı, çıkış kamanı ve bir veya birden fazla gizli kamandan oluşmakadır. Lineer çıkış kamanı ağın - ile + arasında çıkış vermesine imkan sağlamakadır. Yapay sinir ağı oluşurma Çok Kamalı Percepron YSA nın eğiiminde ilk adım bir ağ oluşurmakır. Malab Yapay Sinir Ağı Araç Kuucuğunda Newff fonksiyonu eğiilebilen yapay sinir ağını oluşurmakadır. Bu fonksiyon 4 bölümden oluşmakadır. Birinci bölüm R giriş vekörü elemanlarının herbirinin minimum ve maksimum

3 değerlerini göseren Rx lik marisir. İkinci bölüm herbir kamanın boyuunu göseren dizidir. Üçüncü bölüm herbir kamanda kullanılan ransfer fonksiyon isimlerinden oluşmakadır. Son bölüm ise eğiim fonksiyonunu gösermekedir. Fonksiyonun yapısı aşağıda verilmişir. Ne=Newff([minmax(P),[S..Sn],{ ansig, purelin }, rainrp ) Bu komu bir ağı yapısı oluşurmakla beraber bias ve ağırlıkların başlangıç değerlerinide oluşurmakadır. Böylece ağ eğiilmeye hazır duruma geirilmiş olur. Yapay sinir ağı simülasyonu Mevcu daalara göre eğiilen ağ simülasyon ile verilen haa değerine bağlı olarak çıkış vermekedir. Simülasyon Sim fonksiyonu ile gerçekleşirilir. Bu fonksiyon giriş ve ağ yapısını kullanarak ağın çıkışını oluşurmakadır. Fonksiyonun nework uygulaması aşağıda verilmişir. a = sim(ne,p) Burada a yapay sinir ağı çıkışını, ne ağ yapısını, p ise ağ girişini gösermekedir. Yapay sinir ağı eğiimi Eğiim için ilk olarak başlangıç ağırlıkların ve biasların başlangıç durumuna geirilmesi gerekir. Eğiim için ağ girişi p ve hedef çıkışı nin girilmesi gerekmekedir. Ağırlık ve biasların eğiimi sırasında malab yapay sinir ağı araç kuusunda bulunan ne.performfcn fonksiyonu verilen haayı minimuma indirgemek için kullanılır. Geri yayılım algoriması Birden fazla geriyayılım (backpropogaion) algoriması mevcuur. Ağın ağırlık ve biaslarının yenilenmesinde kullanılan en basi uygulama performans fonksiyonunun çok hızlı bir şekilde azalılmasıdır. Bu durumda algorimanın ek bir ierasyonu aşağıdaki gibi yazılabilir. X k+ = X k - α k g k () Burada X k+ geçerli bias ve ağırlıklar vekörünü, g k geçerli değişmeyi ve α k ise öğrenme oranını gösermekedir. Bu değişirme algoriması için birçok farklı meodlar kullanılmakadır. Bunlardan bazıları arırmalı (incremenal) veya yığın (bach) modlarıdır. Arırmalı modda değişme hesaplanmaka ve ağırlık ve biaslar herbir giriş uygulandıkan sonra yenilenmekedir. Yığın (bach) modunda ise üm girişler girildiken sonra ağırlık ve biaslar yenilenmekedir. Arırmalı eğiim için adap fonksiyonu, yığın modlu eğiim için rain fonksiyonu kullanılmakadır. Bu çalışmada yapay sinir ağı ile yük ahmin analizinda yığın (Bach) meodu kullanılmışır. Geçmiş yıllara ai aylık enerji ükeimlerinden 4 ü ağ girişi 5. aya ai sarfiya ağ çıkışı olacak şekilde ağ yapısı oluşurularak ağ çıkışı bir sonraki adımda yük ahmin analizi için giriş verilerek yapay sinir ağı eğiimi yapılmışır. Eğiim 5 adımda yapılmışır..3 heil Değerlendirme Yönemi Yapılan ahminin uygunluk derecesi öğrenilmek isendiği akirde heil deneyi uygulanır. ahminlerin değerlendirilmesinde kullanılan heil deneyinin esası: gözlenen değerler ile ahmin olunan değerler arasındaki uyuşmanın derecesini belirlemekir. Meydana geirilen ahminin uygun bir ahmin olabilmesi için = zamanı ile () zamanı arasındaki değişme mikarları gözlenen ve ahmin olunan değerler için aynı olmalıdır. Gözlenen değerler ile ahmin edilen değerler arasındaki uyuşmanın derecesi aşağıdaki formül ile hesaplanır. (x x ) i U = (9) x i Burada U uyuşmanın derecesini, x zamanında ahmin edilen değerleri ve x zamanında gözlenen değerleri gösermekedir. Yukarıdaki formülden de görülebileceği gibi x ve x değerler arasındaki farkın büyük olması halinde U de büyük olacakır. Eşi sayıda paramereleri olan fonksiyonlardan eorik değerler ile gerçek değerler arasındaki farkların oplamını daha küçük veren fonksiyon o olayın rendini daha iyi emsil eder. Bu amaç için sandar sapma aşağıdaki gibi hesaplanır. (x x ) i S = () 3. SAYISAL SONUÇLAR Yapay sinir ağı eğiimi ve harekeli oralamalar analizi ile Niğde bölgesinin -4 yıllarına ai yük ahmin analizi gerçekleşirilmişir. Ayrıca yılına ai gerçek veriler ile yılı için her iki meodla yapılan ahmin sonuçları karşılaşırılmışır. Bu çalışmada EDAŞ Niğde Müessese Müdürlüğünden alınan verilerden faydalanılmışır [9]. Bu verilerin 994- e kadar olan değerler aylık olarak uulmuş değerlerdir e kadar olan değerler ise senelik değerlerdir. Bir yıllık olan arasındaki değerler aylara göre oranlanarak aylık değerler elde edilmişir.

4 İlk olarak Niğde bölgesinin yük ahmin analiz problemi harekeli oralamalar yönemi kullanılarak çözülmüşür. Elde edilen sonuçlar ve aylara göre sarfiyaların değişimi aşağıda verilmişir. ablo-. Harekeli oralamalarla elde edilen 4 yıllık ahmin (kwhx). Aylar 3 4 Ocak Şuba Mar Nisan Mayıs Haziran emmuz Ağusos Eylül Ekim Kasım Aralık kwhx Gerçek gerçek harekeli ora Aylık dönemler Şekil-. e ai harekeli oralamaların ahmin sonuçları ve EDAŞ ın değerleri Üç aylık harekeli oralamalar meoduna göre enerji ahminleri gerçekleşirildiğinde, Malab oramında hazırlanan harekeli oralama meodu ile elde edilmiş olan Niğde bölgesinin gelecek 4 yıllık yük ahmin sonuçları ablo- de verilmişir. Şekil- de e ai harekeli oralamalar analizi ile elde edilen ahmin değerleri ile gerçek değerlerin karşılaşırılması görülmekedir. Yapılan bu rend analizi ile elde edilen sonuçlardan görüleceği üzere 7 ve 8. aylardaki ükeim arışı sapanabilmeke ve haa oranı oldukça düşük değerde olmakadır. Yapay sinir ağı kullanılarak yük ahmin problemi çözümü için elde edilen sonuçlar ve 4 yılın enerji ükeiminin aylara göre değişimi ablo de verilmişir. ablodan görüleceği gibi emmuz ve Ağusos aylarında belirgin arışlar bulunmakadır. Bu arışlar arımsal sulamalardan kaynaklanmakadır. Yapılan ahmin analizlerinde bu arış, diğer aylardaki haa oranlarına yakın haa oranıyla sapanabilmişir. ablo-.yapay Sinir Ağı yük ahmin sonuçları (kwhx). Aylar 3 4 Ocak Şuba Mar Nisan Mayıs Haziran emmuz Ağusos Eylül Ekim Kasım Aralık kwhx Aylık Dönemler. Şekil 3. Yapay Sinir Ağı ile elde edilen sonuçların grafiksel göserimi Yapay sinir ağı kullanarak yük ahmin analizi ile Niğde bölgesi için 4 yıllık elekrik enerjisi ahminleri gerçekleşirildi. Elde edilen ahmin sonuçları ablo- de verilmişir. Şekil-3 de elde edilen sonuçların yıllara göre aylık ahminlerin değişim grafiği göserilmişir. Şekilden de görüleceği gibi 6,7,8,9 aylarındaki yüksek değerlerin ağ arafından sapanması 4x lik eğiim seinin uygun bir yaklaşım yönemi olduğunu gösermekedir. kwhx gerçek Yapay Sinir Ağı Aylık dönemler Şekil 4. Yapay sinir ağı sonuçları-gerçek değerler

5 Şekil-4 e e ai yapay sinir ağı ile elde edilen ahmin sonuçları ile gerçek değerlerin karşılaşırılması yapılmışır. Şekilden görüleceği gibi, elde edilen ahminler in gerçek değerlerine çok yakındır. Her iki meodla elde edilen yılına ai değerler ile bu yılın gerçek değerlerinin değişimi ve sonuçların karşılaşırılması şekil-5 de verilmişir. kwhx Gerçek. Y.S. Ağı. Har.Oralamalar Aylık Dönemler. Şekil 5. yılına ai ahmin ve EDAŞ değerleri Niğde bölgesi için iki farklı yönemle gerçekleşirilen e ai yük ahmin sonuçları ile gerçek değerlerin karşılaşırılması sonuçlarından görüleceği gibi, elde edilen sonuçlar gerçek değerlere çok yakındır. Uygun ahmin yönemini seçebilmek için heil deneyi sonuçlarına ve sandar sapmalara bakılabilir. Bu çalışmada her ayın yük ahmini yapıldığı için değerlendirmeler de aylara göre yapılacakır. Buna göre; ocak, şuba, mar, nisan, mayıs ve aralık ayları için en uygun analiz yapay sinir ağı ile yük ahmin analizidir. Diğer aylar için harekeli oralamalar meodu daha yakın değerler verdiğinden bu aylar için harekeli oralamalar meodu daha uygundur. Şekil- 4 ende görüleceği üzere genel olarak her iki meod ile elde edilen sonuçlar son derecede makul değerlerdir. 4. SONUÇ Yük ahmin analizine, ekonomik elekrik üreimi ve dağıımı planlamasını yapabilmek için başvurulur. Bu çalışmada Niğde bölgesi için yük ahminini iki farklı yönemle gerçekleşirmişir. Bunlar yapay sinir ağı geri yayılım algoriması ve doğrusal olmayan rend analizlerinden harekeli oralamalar meodudur. ahmin yönemlerinden uygun olanı heil deneyi ve sandar sapma sonuçlarına göre seçilmişir. Genel olarak Niğde bölgesi için en uygun yönemin yapay sinir ağı kullanımının olduğu elde edilen sonuçlardan görülmekedir. e ai her iki yönemle elde edilen ahminler ile gerçek değerler karşılaşırılmış ve ahmin sonuçlarının gerçek değerlere çok yakın olduğu bulunmuşur. Ayrıca kullanılan 4 girişli ek çıkışlı ağ yapısının yük ahmini için oldukça uygun bir yapı olduğu görülmüşür. KAYNAKLAR [] Harry G. Soll Leas-Cos Elekric Uiliy Planning, John Wileye Jons, New York, 989. [] Eşiyok E., Hocaoğlu A.., Dumanlı M., Güç Sisemlerinde Yapay Sinir Ağları ile Yük ahmin Analizi, Elekrik Mühendisliği 6. Ulusal Kongresi, pp. 69-7, 995. [3] Hengirmen M.O., Kabak S., Gazianep ve Yöresinde 5 Yıllık Elekrik Enerjisi İhiyaç ahminleri, Elekrik Elekronik Bilgisayar Müh. 8.Ulusal Kongresi, pp , 999. [4] Hengirmen M.O., Comparison of hree Forecas Mehods for Power Demand in Gazianep, Eleco 99 Inernaional Conference on Elekrical and Elekronics Eng., Bursa, pp 85-88, -5-December,999. [5] Yalçınöz., Karadeniz Y. and Yücel İ., 'Niğde bölgesi için elekrik yük ahmini', Eleco' Elekrik Elekronik - Bilgisayar Mühendisliği Sempozyumu, pp (Elekrik), Bursa, 8- Kasım. [6] Sadownik R., Barbosa E. P., Shor-erm Forecasing of Indusrial Elecriciy Consumpion in Brazil, Journal of Forecasing, Vol. 8, pp. 5-4, 999. [7] Arıcı H., İsaisik yönemler ve uygulamalar, Ankara, 993. [8] Bağırkan Ş., İsaisiksel Analiz, Bilim eknik Yayın Evi, 993. [9] Wayne L. Winson Operaions Research, Applicaion and Algorihms, Inernaional homson Publishing, California, 994. [] Nelson M., Hill., ime Series Using Neural Nework, Journal of Forecasing, Vol. 8, pp , 999. [] Drezga I., Rahman S., Shor-erm Load Forecasing, IEEE ransacions on Power Sysems, Vol.5, pp. -,997. [] Senjyu., Sakihara H., amaki Y., Uezao K., Nex Day Peak Load Forecasing Using Neural Nework Wih Adapive Learning Algorihm Based On Similariy, Elecric Machines and Power Sysems, Vol. 8, pp ,. [3] EDAŞ, Niğde verileri,.