Diferansiyel Evrim Algoritması Destekli Yapay Sinir Ağı ile Orta Dönem Yük Tahmini

Yük tahmini, güç üretim sürecinin önemli bir kısmı olup, yıllardır zaman serileri gibi geleneksel yaklaşımlarla elde edilmiştir. Fakat son zamanlarda yapay zekaya dayalı yeni yöntemler ortaya çıkmış olup bu yeni uygulamalar endüstride geleneksel tahminlerin yerini almaya başlamıştır. Bu çalışma diferansiyel evrim algoritması (DE) ile yapay sinir ağlarının (YSA) karma bir çalışmasını yük tahmini için DE-YSA olarak sunar. Çalışma yapay sinir ağları eğitiminde DE algoritmasının performansını test etmektedir. Çalışma çıktılarının birebir karşılaştırılmasından da anlaşılacağı üzere DE-YSA diğer metoda göre daha iyi bir performans göstermektedir.

Anahtar Kelimeler:

Yük tahmini, diferansiyel evrim algoritması, yapay sinir ağlarının

Medium-Term Load Forecasting by Artificial Neural Network based Differential Evolution

Load forecasting is an important part of the power generation process. For years, it has been achieved by traditional approaches stochastic like time series; but, new methods based on artificial intelligence emerged recently in literature and started to replace the old ones in the industry. This study presents an intelligent hybrid approach called DE-ANN by hybridization of Differential Evolution (DE) and Artificial Neural Network. In this work, performance of the Differential Evolution, a recently proposed algorithm, has been tested on training on Artificial Neural Networks. The performance of the algorithm has been compared to traditional Artificial Neural Networks Results show that DE algorithm outperforms the other method.

Keywords:

Load forecasting, differential evolution, artificial neural network,

PDF

___

[1] H.M. Al-Hamadi and S.A. Soliman, “Long-term/mid-term electric load forecasting based on short-term correlation and annual growth”, Electric Power Systems Research, Volume 74, Issue 3, Pages 353-361, 2005. [2] I. Erkmen. ve A. Özdoğan,“Short term load forecasting using genetically optimizedneural network cascaded with a modified Kohonen clustering process”, International Symposium of Intelligent Control, Proceedings of the 1997 IEEE International Symposium, Istanbul, Turkey, 107-112, 1997. [3] E. Eşiyok, A. T.Hocaoğlu ve M. Dumanlı, “Güç Sistemlerinde Yapay Sinir Ağları ile Yük Tahmin Analizi”, Elektrik Mühendisliği 6. Ulusal Kongresi, pp. 69-72, 1995. [4] A. K. Topalli ve İ. Erkmen, “A hybrid learning for neural networks applied to short term load forecasting”, Neurocomputing. Volume 51, Page 495-500, 2003. [5] Hengirmen M.O., Kabak S., ‘Gaziantep ve Yöresinde 5 Yıllık Elektrik Enerjisi İhtiyaç Tahminleri’, Elektrik Elektronik Bilgisayar Müh. 8.Ulusal Kongresi, pp.333-335, 1999. [6] Hengirmen M.O., ’Comparison of Three Forecast Methods for Power Demand in Gaziantep’, Eleco’99 International Conference on Elektrical and Elektronics Eng., Bursa, pp 185-188, 1-5-December,1999. [7] Yalçınöz T., Herdem S., Eminoğlu U., 2002, “Yapay Sinir Ağları ile Niğde Bölgesinin Elektrik Yük Tahmini”, Elektrik – Elektronik - Bilgisayar Mühendisliği Sempozyumu (ELECO 2002), 25-29, Bursa, 18- 22 Aralık. [8] Yalçınöz T., Karadeniz Y. and Yücel İ., 'Niğde bölgesi için elektrik yük tahmini', Eleco'2000 Elektrik – Elektronik - Bilgisayar Mühendisliği Sempozyumu, pp. 43-47 (Elektrik), Bursa, 8-12 Kasım 2000. [9] Topalli A. K, Erkmen I., Topalli I., 2006, “Intelligent short-term load forecasting in Turkey”, Electrical Power and Energy Systems 28, 437– 447. [10] Ceylan G. ve Demirören A., 2007, “Yapay Sinir Ağları ile Gölbaşı Bölgesinin Kısa DönemYük Tahmini”, Elektrik, Elektronik ve Bilgisayar Mühendisliği Sempozyumu ve Fuarı (ELECO 2004), 8-12 Aralık, Bursa, 103-107. [11] A. Özdemir ve A. Özdemir, “Talep Tahminlemesinde Kullanılan Yöntemlerin Karşılaştırılması: Seramik Ürün Grubu Firma Uygulaması”, Ege Akademik Bakış Dergisi, cilt 6, sayı 2 sayfa 105-114, 2006. [12] Haykin, S., “Neural Network A Comprehensive Foundation 2nd ed.”, Prentice-Hall, New Jersey, 1-2, 14-15, 41-43, 161-162 ( 1999). [13] Fausett, L., “Fundamentals of Neural Networks Architectures, Algorithms and Applications”, Prentice-Hall, New Jersey, 48-49 (1994). [14] S. J. Hanson, “A stochastic version of the delta rule”, Physica D: Nonlinear Phenomena Volume 42, Issues 1-3, June 1990, Pages 265- 272. [15] T.M. Heskes, B. Kappen, “Error potentials for self-organization”, Neural Networks, 1993., IEEE International Conference on, 1219 - 1223 vol.3, 2002. [16] R. Storn and K. Price, Differential evolution-a simple and efficient heuristic for global optimization over continuous space, Journal of Global Optimization, 11, (1997), pp.341-359.