BÜYÜK VERİ VE MAKİNE ÖĞRENMESİ KULLANILARAK ELEKTRİK TÜKETİM ÖRÜNTÜLERİNİN ÇIKARILMASI

Abstract

Enerji sektöründe günümüze kadar gerçekleştirilen faaliyetlerin büyük bir kısmı temel olarak enerjinin üretimine ve iletimine odaklanmaktadır. Bununla birlikte son yıllarda özellikle, akıllı şebeke ve Gelişmiş Sayaç Altyapısı (Advanced Metering Infrastructure-AMI) gibi teknolojilerin hayatımıza girmesiyle dağıtım ve tüketici seviyesinde de gerçekleştirilen uygulamaların sayısında ciddi bir artış gözlenmektedir. Elektrik dağıtım şirketleri açısından değerlendirildiğinde AMI sistemler ve akıllı sayaçlar, yerinde sayaç okuması ihtiyacını ortadan kaldırarak güç akışının daha hızlı ve güvenilir bir şekilde izlenmesine ve kontrol edilmesine yardımcı olmaktadır. Son kullanıcı açısından değerlendirildiğinde ise akıllı sayaçlar, tüketicinin dağıtım şirketinden aldığı hizmetin kalitesinin artmasını sağlayarak enerjinin etkin ve verimli kullanımı hakkında bir farkındalık oluşturmaktadır. Bu tez çalışmasında, Büyük Veri analitiği ve makine öğrenmesi yaklaşımları kullanılarak tüketici seviyesinde kısa dönemli yük tahmini ve kayıp-kaçak tespiti uygulaması gerçekleştirilmiştir. Kısa dönemli yük tahmini uygulamasında akıllı sayaç verileri kullanılarak tüketicilerin yük profilleri ve tüketim örüntüleri çıkarılmıştır. Tüketici seviyesinde yük tahmini yüksek değişkenlik, belirsizlik ve veri gizliliği gibi sorunlar nedeniyle dağıtım hattı seviyesinde gerçekleştirilen toplam yük tahminine göre daha karmaşık süreçlerin tasarlanmasını gerektirmektedir. Bu nedenle, kısa dönemli yük tahmini uygulaması için hibrit bir derin öğrenme modeli oluşturulmuştur. Önerilen model, 1-Boyutlu (1-B) evrişimsel sinir ağlarını (Convolutional Neural Network-CNN), uzun kısa süreli bellek (Long Short Term Memory-LSTM) ağlarını ve gelişmiş veri ön işleme yöntemlerini bütünleşik bir çerçevede kullanmaktadır. Gelişmiş veri ön işleme aşamasında yük profillerinde yoğunluk tabanlı aykırılık analizi, parametre optimizasyonu, 1-B CNN ağları kullanılarak öznitelik çıkarma işlemleri gerçekleştirilmiştir. Önerilen hibrit derin öğrenme modeli hem dağıtım şirketinden hem de halka açık akıllı sayaç veri kümelerinde test edilmiştir. Kayıp-kaçak tespit uygulamasında altı farklı sahte veri yerleştirme (False Data Injection-FDI) senaryosu yerel bir dağıtım şirketinin AMI seviyesindeki gözlemci sayaç ve akıllı sayaç verileri kullanılarak incelenmiştir. Aynı zamanda, Highly Comparative Time-Series Analysis (HCTSA) yazılım paketi ve Komşuluk bileşen analizi (Neighborhood Components Analysis-NCA) kullanılarak anormal yük profillerinden kapsamlı istatistiksel öznitelikler hesaplanmış ve derin öğrenme tabanlı bir sınıflandırıcı model oluşturulmuştur. Önerilen derin öğrenme modeli Büyük Veri teknolojileri ile entegre edilerek farklı kayıp-kaçak senaryoları kullanılarak test edilmiştir.Most of the activities carried out in the energy industry so far mainly focused on the generation and transmission of energy. Besides, especially with the introduction of technologies such as smart grid and Advanced Metering Infrastructure (AMI) into our daily lives in recent years, a significant increase has been observed in the number of applications carried out at the distribution and consumer levels. In terms of electricity utilities, AMI systems, and smart meters help to monitor and control the power flow more quickly and reliably by eliminating the need for on-site meter reading. As opposite, in terms of the end-user, smart meters create awareness about the effective and efficient use of energy by increasing the quality of the service received by the consumer from the electricity utility. In this thesis, short-term load forecasting and non-technical loss (NTL) detection application at the consumer level is carried out by using Big Data analytics and machine learning approaches. In the short-term load forecasting application, the load profiles and consumption patterns of the consumers are analyzed using smart meter data. Load forecasting at the consumer level requires more complex processes to be designed compared to aggregated load estimation at the distribution level due to the issues resulting from the high variability, uncertainty, and data privacy. Therefore, a hybrid deep learning model is designed for the short-term load forecasting application. The proposed model consists of 1-Dimensional (1-D) Convolutional Neural Network (CNN), Long Short Term Memory (LSTM) networks, and advanced data preprocessing methods in an integrated framework. In the advanced data preprocessing stage, density-based outlier analysis, parameter optimization, and feature extraction using 1-D CNN network operations are performed on the load profiles of consumers. The proposed hybrid deep learning model has been tested on both private and public smart meter datasets. In the NTL detection application, six different False Data Injection (FDI) scenarios were examined using the AMI-level observer meter and smart meter data of a regional electricity utility. Besides, comprehensive statistical feature extraction and selection processes are performed for abnormal load profiles using the Highly Comparative Time-Series Analysis (HCTSA) software package and Neighborhood Components Analysis (NCA) and then a deep learning-based classifier model is designed for NTL detection. Finally, the proposed deep learning model has been integrated with Big Data platforms and tested on different NTL scenarios.