This study focuses on the important issue of predicting electricity load for efficient energy management. To achieve this goal, different statistical methods were compared, and results over time were analyzed using various ratios and layers for training and testing. This study uses an artificial neural network (ANN) model with advanced prediction techniques such as genetic algorithms (GA) and adaptive neuro-fuzzy inference systems (ANFIS). This article stands out with a comprehensive compilation of many features and methodologies previously presented in other studies. This study uses a long-term pattern in the prediction process and achieves the lowest relative error values by using hourly divided annual data for testing and training. Data samples were applied to different algorithms, and we examined their effects on load predictions to understand the relationship between various factors and electrical load. This study shows that the ANN–GA model has good accuracy and low error rates for load predictions compared to other models, resulting in the best performance for our system.

Harmonic Effects of Power System Loads: An Experimental Study | InTechOpen, Published on: 2013-04-17. Authors: Celal Kocatepe, Recep Yumurtacı, Oktay Arıkan, et

Doğru ışınım tahmini, fotovoltaik (PV) santralinin verimliliğini arttırarak şebekenin etkin bir şekilde programlanmasına ve güç kalitesinin iyileştirilmesine olanak sağlar. Bu çalışma, güneş enerjisi bakımından verimli bir yer olan Hakkâri ilinde kurulan bir meteoroloji ölçüm istasyonu verileri aracılığıyla küresel güneş ışınım tahmininde yapay sinir ağları (YSA) parametrelerinin potansiyelini göstermektedir. Meteoroloji istasyonundan zaman serisine bağlı olarak ölçülen, rüzgâr hızı, sıcaklık, basınç ve nem parametreleri kullanılarak eş zamanlı gerçekleşen güneş ışınım değerleri YSA modeli oluşturularak tahmin edilmiştir. Oluşturulan model YSA’da yaygın olarak kullanılan çeşitli eğitim algoritmaları ve aktivasyon fonksiyonları ile denenmiş ve en iyi sonuç elde edilmeye çalışılmıştır. Kullanılan modelin performansı istatistiksel göstergeler kullanılarak değerlendirilmiştir. Kullanılan veri seti parametrelerine göre güneş ışınım tahmininde, “trainlm” eğitim algoritması ile “poslin” aktivasyon fonksiyonu kullanılarak oluşturulan model 0,97 regresyon değeri, %1,16 ortalama kare hatası (MSE) ve %0,0881 normalize kök ortalama kare hatası (nRMSE) değeri ile güneş ışınım tahmininde en iyi performansı göstermiştir.

PV sistemlerin çıkış gücü, temel olarak güneş ışınımına ve diğer atmosferik koşullara bağlıdır. Bu çalışmada, Türkiye’nin Güneydoğusunda yer alan Hakkâri ilinde ölçülmüş olan meteorolojik veriler, tahminleme çalışmalarında yaygın olarak kullanılan Yapay Sinir Ağları (YSA) modelinde giriş değişkenleri olarak değerlendirmeye alınmış olup, bu modelin çıkışında güneş ışınımının tahmin değerleri belirlenmiştir. Farklı atmosferik koşullarda maksimum gücün belirlenebilmesi için DC – DC yükseltici (boost) güç elektroniği dönüştürücüsüne uygulanan artımlı iletkenlik maksimum güç noktası izleme (MPPT) algoritması bulunan PV sistemin Matlab / Simulink modeli göz önünde bulundurulmuştur. Gerçek güneş ışınımı, ortam sıcaklığı ile YSA modelinde tahmin edilen güneş ışınımı değerleri ayrı ayrı göz önüne alınarak Matlab / Simulink ortamındaki PV sistemin çıkış güçleri hesaplanmıştır. İlk olarak gerçek güneş ışınımı ve ortam sıcaklığı değerleri daha sonra ise tahmin edilen güneş ışınımı ve ortam sıcaklığı değerleri, ilgili PV sistem modelinde ele alınarak belirlenen PV sistem çıkış güçleri karşılaştırılmıştır. Karşılaştırma sonuçları literatürde yaygın olarak kullanılan değerlendirme metrikleri ile hesaplanmış ve güneş ışınımı için 0,9705 ve PV sistem çıkış gücü için 0,9668 belirleme katsayısı (R2) değeri ile başarılı sonuçlar elde edilmiştir.