Nem Verileri

Sıcaklık değerlerinin enerji tüketimini doğrudan etkilediğinden bahsetmiştik. Havadaki nem oranı da sıcaklığı doğrudan etkilemektedir. Dolayısıyla nem oranı da enerji tüketimini doğrudan etkileyen parametrelerden bir tanesidir. Şekil 4.3’de Sıcaklık ve Nem arasındaki ilişki gösterilmiştir.

-10.00 -5.00 0.00 5.00 10.00 15.00 20.00 25.00 30.00 35.00 40.00 45.00

1 1360 2719 4078 5437 6796 8155 9514 10873 12232 13591 14950 16309 17668 19027 20386 21745 23104 24463 25822 27181 28540 29899 31258 32617 33976 35335 36694 38053

Sıcaklık

Sıcaklık Verileri

48

Şekil 4.3 Havadaki Nem Oranının Hava Sıcaklığına Etkisi (İnt.Kyn.1).

Şekil 4.4 2013 Başından 2017 Haziran Sonuna Kadar Olan Saatlik Nem Verileri.

4.2 MATLAB Yazılım Programı ile Tahmin Programının Oluşturulması

Bu bölümde örnek bölge için talep tahminine yönelik iki farklı model oluşturulup iki modele göre tahmin programı oluşturulacaktır.

0.00 20.00 40.00 60.00 80.00 100.00 120.00

1 1409 2817 4225 5633 7041 8449 9857 11265 12673 14081 15489 16897 18305 19713 21121 22529 23937 25345 26753 28161 29569 30977 32385 33793 35201 36609 38017

NEM %

NEM VERİLERİ

49

4.2.1 Arayüz Oluşturma

Oluşturulacak olan programın kullanıcılara kullanım kolaylığı sağlaması açısından MATLAB GUI ile kullanıcı arayüzü oluşturulacaktır. Kullanıcılar bu arayüz sayesinde kolay talep tahmini yapabileceklerdir.

Öncelikle tahmin işleminde kullanılacak olan veri tabanının ve oluşturulan YSA’yı kontrol etmek için “Data_base” arayüzü oluşturulmuştur. Bu arayüz ile veri tabanına yeni veriler eklenebilir ve YSA’nın güncellemesi sağlanabilmektedir. Şekil 4.5’de oluşturulan Database Arayüzü gösterilmiştir.

Şekil 4.5 Data Base Kullanıcı Arayüzü.

Database Arayüzün’de ki “Excel Dosyası” butonu ile veri setini oluşturduğumuz Excel dosyası açılır. Açılan dosyaya yeni veriler eklenebilir. Verilerde değişiklik yapıldıktan sonra yeni veriler ile ağı eğitmek için “Ağı Eğit” butonu kullanılır.

Bu arayüzün ardından yani ağ eğitimi tamamlandıktan sonra tahmin işleminin yapılabilmesi için Load_Forecasting arayüzü oluşturulmuştur. Şekil 4.6’da Tahmin

50

Programının arayüzü gösterilmiştir. “Veri Gir” butonundan tahmin yapılacak güne ait sıcaklık ve nem değerlerinin girileceği Excel dosyası açılmaktadır. “Veri Tabanı”

butonundan ise Database arayüzüne geçilir.

Şekil 4.6 Tahmin İşlemi İçin Kullanıcı Arayüzü.

“Gün Seç” butonundan tahminin yapılacağı gün seçilir. Bu butona bastığında Şekil 4.7’de ki takvim açılır ve bu takvimden tahmin yapılacak gün seçilerek “ok” butonuna basılır. Tahmin yapılacak gün belirlendikten sonra “Tahmin Et” butonuna basılarak tahmin işlemi gerçekleştirilir. Tahmin işlemi gerçekleştikten sonra Load_Forecasting arayüzündeki grafik alanında, oluşturulan iki farklı modele göre tahminin grafikleri ve tahmin değeriyle karşılaştırılabilmesi için gerçek değerlerden oluşan grafik oluşur.

Tahmin işleminin sonuçlarını sayısal olarak görmek içinde “Sonuçlar” butonuna basılmalıdır. Bir başka gün için tahmin işlemi yapılacaksa “Sıfırla” butonuna basılarak arayüz sıfırlanıp, tekrar gün seçilerek tahmin işlemi yapılır.

51 Şekil 4.7 Tahmin Yapılacak Günün Seçileceği Takvim.

4.2.2 Verilerin MATLAB’e Aktarılması

YSA’nın oluşturulması ve eğitilmesi için veri tabanında bulunan girdi ve çıktı değerlerinin MATLAB’e aktarılması gerekmektedir. Tüm veriler öncelikle 35033x9 boyutunda matris olarak MATLAB’e aktarılır. Daha sonra YSA eğitimi için giriş ve çıkış matrislerinin ayrılması gerekmektedir. Giriş matrisi 35033x7 boyutunda, çıktı matrisi ise 35033x2 boyutunda matrise atanır. YSA’lar sütunlar ile işlem yaptığından, bu matrisler YSA’ya uygun olması için transpozesi alınır.

4.2.3 Normalizasyon İşlemi

Ağın eğitilmesi ve performansının arttırılması açısından bazı işlemler yapmak gerekmektedir. Bu işlemler giriş değerlerini ağ eğitimi için uygun formlara dönüştürmektedir. Bu işlemler “Normalizasyon” adını almaktadır. Normalizasyon işlemi veri setine uygulanarak ağ eğitimi için uygun formda veri tabanını oluşturur.

Normalizasyon işlemiyle tüm girdi ve çıktı değerleri belirli bir aralıkta değerlere atanır, ağın, değerleri okuması kolaylaştırılır. Buda ağ eğitiminin zamanını azaltarak, performansını arttırır.

52

Bu çalışmada normalizasyon işlemi için MATLAB’de “mapminmax” fonksiyonu kullanılmıştır. Bu işlem ile tüm girdi değerleri -1 ile 1 arasındaki değerlere atanmışlardır. Çıktı değerlerinin normalizasyon işlemi içinse MATLAB’de ki

“minmax” fonksiyonu kullanılmıştır. Bu işlem ile de tüm çıktı değerleri 0,1 ile 0,9 arasındaki değerlere atanmışlardır.

Ağın oluşturulmasından sonra çıktı değerlerine “Denormalizasyon” işlemi uygulanarak gerçek formuna dönüştürülür. Denormalizasyon işleminin yapılmasının nedeniyse gerçek değerler ile ağ çıktı değerlerinin karşılaştırılması içindir. Denormalizasyon işlemi, normalizasyon için oluşturulan fonksiyonun tersidir.

[Pn, ~ ] = mapminmax(P); Giriş Değerlerinin Normalizasyonu

Pn : Normalizasyon yapılmış girdi değerlerini, T : Çıktı değerlerini,

Tn : Normalizasyon yapılmış çıktı değerlerini, Tmin : Çıktı değerleri setindeki en küçük değerini,

Tmax : Çıktı değerleri setindeki en büyük değerini ifade etmektedir.

4.2.4 YSA’nın Oluşturulması ve Eğitimi

YSA besleme tipi olarak ileri beslemeli olarak çeşitli YSA’lar oluşturulmuştur.

53

Oluşturulan bu YSA’lar içerisinde doğruluk oranı en yüksek olan ağa erişilmeye çalışılmıştır.

Doğruluk oranı en yüksek ağ, katmanlarda ki farklı nöron sayıları, çeşitli aktivasyon fonksiyonları, eğitim için optimizasyon algoritmaları, iterasyon sayısı ile denenerek seçilmiştir.

Oluşturulan ileri beslemeli ağın eğitimi için MATLAB bünyesinde bulunan Leveberg-Marquardt optimizasyon algoritmasıyla geliştirilen “trainlm” eğitim fonksiyonu kullanılmıştır. Oluşturulan ağın yapısı şekil 4.8’de gösterilmiştir.

Şekil 4.8 Oluşturulan YSA’nın Yapısı.

Oluşturulan bu YSA girdi ve çıktı katmanı olarak 2 katmanlıdır. Girdi katmanında nöron sayısı denemeler sonucunda 28 olarak belirlenmiştir. Çıktı katmanında ise sadece

“logsig” aktivasyon fonksiyonu kullanılmıştır.

Veri setindeki tüm veriler ağın eğitimi için kullanılmamıştır. Verilerin %70’i ağ eğitimi,

%15’i doğrulama ve %15’i de programın testi için kullanılmıştır.

Oluşturulan ağ öğrenimi performans olarak hata oranlarının kareleri (MSE) yöntemi baz alarak sağlamaktadır. Şekil 4.9’da oluşturulan ağın parametrelerinin belirlenmesi gösterilmiştir.

54 Şekil 4.9 Ağın Oluşturulduğu Parametreler.

Şekil 4.10 Oluşturulan YSA’nın Eğitim Aşaması.

55

Şekil 4.10’da ağın eğitim aşaması gösterilmiştir. Bu sekmede oluşturulan ağın yapısı, kullanılan algoritma, hata performansı yöntemi, eğitimin performans grafiği ve sistemin uygunluk derecesi belirlemek için oluşan regresyon doğrularına ulaşılabilir.

Şekil 4.11‘de oluşturulan ağın performans grafiği gösterilmektedir. Ağın hata hedefi 10^-5 olarak belirlenmişken, oluşturulan YSA yaklaşık olarak 10^-3 değerine yaklaşmıştır.

Şekil 4.12‘de, ağın regresyon doğruları gösterilmiştir. Regresyon doğrularıyla sistemin uygunluğu tespit edilir. Regresyon doğrusunu oluşturan parametre, tahmin edilen değerlerin gerçek değerlere oranıyla hesaplanır (Kuutsoyiannis 1989). Regresyon değeri 0 ile 1 aralığında bir değer alır. Değerin 0 olması sistemin uyumsuz olduğu, 1 olması sistemin uyumlu olduğu belirtir. Bu yüzden, regresyon katsayısının 1’e oldukça yakın olması istenir. Uyumun yeterli denebilmesi için, regresyon değeri 0,9 ile 1 aralığında olmalıdır. Uygulamamızda bu değer ortalama olarak 0,95 olarak hesaplanmıştır.

Şekil 4.11 Oluşturulan Ağın Eğitim Performansı.

56 Şekil 4.12 Oluşturulan Ağın Regresyon Doğruları.

57

5. SONUÇ

Uygulamada iki farklı model oluşturulduğundan bahsetmiştik.

1.model; toplam yüke dayalı YSA modeli 2.model; bölgesel yüke dayalı YSA modeli.

Bu modellere göre rastgele seçilen bir haftanın her günü için yapılmış bir haftalık tahminin yüzdelik olarak hata değerleri çizelge 5.1’de verilmiştir.

Çizelge 5.1 24 – 30 Nisan Arası Günlük MAPE Değerleri.

Gün Model 1 MAPE Model 2 MAPE

Ağın performansı hesaplanırken MSE kullanılmıştı. Tahminde ki performans değeri yani hata değeri için MAPE kullanılmıştır.

MAPE’nin hesaplanması şu şekildedir;

𝑀𝐴𝑃𝐸 = [(𝐺𝑒𝑟ç𝑒𝑘 𝐷𝑒ğ𝑒𝑟 − 𝑇𝑎ℎ𝑚𝑖𝑛 𝐷𝑒ğ𝑒𝑟𝑖)

𝐺𝑒𝑟ç𝑒𝑘 𝐷𝑒ğ𝑒𝑟 ] × 100

MAPE : Ortalama hata oranını Gerçek Değer : Ölçülen değeri

Tahmin Değeri : YSA’nın tahmin ettiği değeri göstermektedir.

58

Lewis 1982’de MAPE değerinin %10’nun aşağısında olduğu modeller için “çok iyi”,

%10 - %20 arasında olduğu modeller için “iyi”, %20 - %50 arasında olan modeller için

“kabul edilebilir” ve %50’nin üstüne çıkan modeller içinse “hatalı” değerlendirmesinde bulunmuştur(Lewis 1982). Lewis’in bu değerlendirmesinden yola çıkarak, çalışmamız iki farklı modelde de MAPE değerini %10’un altında tutarak amacına ulaşmıştır.

Oluşturulan modellemelerin sisteme uygun olup olmadığını kontrol etmek içinde şekil 4.12’de verilen regresyon eğrileri incelenmelidir. Regresyon katsayıları ortalaması bu çalışmada 0,95 çıkmıştır. Bu katsayı değeride modellemelerin sisteme uygun olduğunu göstermektedir.

Her iki modelde de amacına ulaşılmasına rağmen model 1’in(bölgeye dayalı) daha başarılı olduğu sonucuna varılmıştır.

Uygulamada örnek olarak ele alınan bölgenin turistik bölge olmasından dolayı nüfusun sürekli olarak değişmesi, bölgenin rüzgarlı bölge olmasından kaynaklı rüzgarlarda direk devrilmesi hat kopması gibi nedenlerden enerji kesintilerinin olmasından dolayı ağda kullanılan verilerin eksik olmasından dolayı tahminde dalgalanmalara sebebiyet vermiştir.

Aşağıdaki şekillerde çizelge 5.1’de verilen tahmin sonuçlarının, programda oluşturulan kullanıcı ara yüzündeki grafikleri verilmiştir.

59 Şekil 5.1 24 Nisan 2017 İçin Tahmin Sonuçları.

Şekil 5.2 25 Nisan 2017 İçin Tahmin Sonuçları.

60 Şekil 5.3 26 Nisan 2017 İçin Tahmin Sonuçları.

Şekil 5.4 27 Nisan 2017 İçin Tahmin Sonuçları.

61 Şekil 5.5 28 Nisan 2017 İçin Tahmin Sonuçları.

Şekil 5.6 29 Nisan 2017 İçin Tahmin Sonuçları.

62 Şekil 5.7 30 Nisan 2017 İçin Tahmin Sonuçları.

63

6. KAYNAKLAR

Abbak, A. (2007). Jeodezide Zaman Dizilerinin Dalgacık (Wawelet) Analizi. Jeodezi ve Fotogrametri Mühendisliği Bölümü, Selçuk Üniversitesi, Konya 2007.

Ahmed, K.M.U., Ampatzis, M., Nyugen, P.H. and Kling, W.L. (2014). Application of Time-series and Artificial Neural Network Models in Short Term Load Forecasting for Scheduling of Storage Devices. Department of Electrical Engineering, Technische Universiteit Eindhoven, the Netherlands.

Bakırtaş, T., Karbuz, S. ve Bildirici, M. (2000). An Econometric Analysis of Electricity Demand in Turkey METU Studies in Development. 27: 23-34.

Balcı, H., Esenler, İ.I. ve Kurban, M. (2010). Regresyon Analizi Kullanılarak Kısa Dönem Yük Tahmini. Bilecik Şeyh Edebali Üniversitesi, Bilecik.

Bilge, B. Kısa Dönem Yük Tahmini. TEİAŞ Milli Yük Tevzi İşletme Müdürlüğü, Gölbaşı, Ankara.

Bonanno, F., Capizzi, G. and Sciuto, G.L. (2014). A Neuro Wavelet-Based Approach for Short-Term Load Forecasting in Integrated Generation Systems.

Department of Electrical, Electronics and Informatics Engineering, University of Catania, Catania, Italy.

Ceylan, G. (2004). Yapay Sinir Ağları ile Kısa Dönem Yük Tahmini. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, İstanbul.

C.Chapra, S. and P.Canale, R.; çev. Haperken, H. ve Keskin, U. (2009). Yazılım ve Programlama Uygulamalarıyla Mühendisler için Sayısal Yöntemler.

Chen, H., Canizares, C. and Singh, A. (2001). ANN-based Short-Term Load Forecasting in Electiricity Markets. Department of Electircal&Computer Engineering, University of Waterloo, Waterloo, ON, Canada.

Chen, Y., Luh, P.B., Guan, C., Zhao, Y., Michel, L. D., Coolbeth, M.A., Friedland, P.B.

and Rourke, S.J. (2010). Short-Term Load Forecasting: Similar Day Based Wavelet Neural Networks. IEEE Transactıons on Power Systems, 25: 322.

64

Colin D. LEWIS. (1982). Industrial and Business Forecasting Methods. Butterworths Publishing: London, 40.

Çevik, O. ve Yürekli, K. (2013). Mevsimsel ARIMA Modeli Kullanılarak Yeşilırmak Nehri Aylık Akım Serisinin Modellenmesi. Tarım Bilimleri Dergisi, 9: 261-268.

Doğan, G. ve Çıngı, H. (2010). Yapay Sinir Ağları Kullanılarak Türkiye’de ki Özel Bir Sigorta Şirketinde Portföy Değerlendirmesi. Yüksek Lisans Tezi, Hacettepe Üniversitesi.

Dordonnat, V., Koopman, S.J., Ooms, M., Dessertaine, A. and Collet,J. (2008). An Hourly Periodic State Space Model for Modelling French National Electricity Load. Intelligent Journal of Forecasting, 24: 566-587.

EPDK, 2016, Elektrik Piyasası Talep Tahminleri Yönetmeliği, Ankara.

Erkmen, I. and Ozdogan, A. (1997). Short Term Load Forecasting Using Genetically Optimized Neural Network Casceded with a Modified Kohonen Clustering Process. 12th IEEE International Symposium on Intelligent Control, Istanbul, 107-112.

Fan, S. and Hyndman, R.J. (2012). Short-Term Load Forecasting Based on a Semi Parametric Additive Model. IEEE Transactions on Power Systems, 27: 134-141.

Hamzaçebi C. (2011a). Yapay Sinir Ağları: Tahmin Amaçlı Kullanımı Matlab ve Neurosolution Uygulamaları. Ekin Basım Dağıtım, Bursa, 13.

Hamzaçebi C. (2011b). Yapay Sinir Ağları: Tahmin Amaçlı Kullanımı Matlab ve Neurosolution Uygulamaları. Ekin Basım Dağıtım, Bursa, 11.

Hamzaçebi, C., Kalender Y.F. ve Es, H.A. (2014). Yapay Sinir Ağlar ile Türkiye Net Enerji Talep Tahmini. Karadeniz Teknik Üniversitesi, Trabzon.

Hamzaçebi, C. ve Kutay, F. (2004). Yapay Sinir Ağları ile Türkiye Elektrik Enerjisi Tüketiminin 2010 Yılına Kadar Tahmini. Gazi Üniversitesi, Ankara.

Hou, Z.J., Etingov, P.V., Makarov, Y.V. and Samaan, N.A. (2014). Uncertainty Reduction in Power Generation Forecast Using Coupled Wavelet-ARIMA.

Pacific Northwest National Laboratory, Richland, Washington USA.

65

Islam, B., Baharudin, Z., Raza, M.Q. ve Nallagownden, P. (2014a). Optimization of Neural Network Architecture Using Genetic Algorithm for Load Forecasting.

Department of Electrical & Electronics Engineering, Universiti Teknologi Petronas, Tronoh, Preak, Malaysia,.

Islam, B., Baharudin, Z., Raza, M.Q. and Nallagownden, P. (2014b). A Hybrid NeuroGenetic Approach for STLF: A Comporative Analysis of Model Parameter Variations. IEEE 8th International Power Engineering and Optimization Conference (PEOCO2014), Langkawi, The Jevel of Kedah, Malaysia.

Kaysal, K., Hocaoğlu, F.O. ve Kaysal, A. (2014). Yük Tahmini için Hibrit (YSA ve Regresyon) Model. Afyon Kocatepe Üniversitesi, Afyonkarahisar.

Khosravi, A. and Nahavandi, S. (2014). Load Forecasting Using Interval Type-2 Fuzzy Logic System: Optimal Type Reduction. IEEE Trancastions on Industrial Informatics, 10: 2.

Koo, B.G., Kim, M.S., Kim, K.H., Lee, H.T., Park, J.H. and Kim, C.H. (2013). Short-Term Electric Load Forecasting Using Data Mining Technique. Conference on Intelligent Sysytems and Control, 7: 807-813.

Kuutsoyiannis, A.: çev. Senesen, Ü., Senesen, G.G. (1989). Ekonometri Kuramı:

Ekonometri Yöntemlerinin Tanıtımına Giriş. Versa Yayıncılık, Ankara.

Liu, Q., Xu, H., Shi, C. and Wei, S. (2014). The Application of Intelligent Control Technology in Power Systems. International Conference on Mechatronics and Automation, 2034-2038.

Luciano, C.M., Oleskovicz, M., Santos, A.Q., Coury, D.V. and Fernandes, R.A.S.

(2014). Very Short-Term Load Forecasting Based on NARX Recurrent Neural Networks. Department of Electrical and Computer Engineering, University of Sao Paulo and Federal University of Sao Carlos, Sao Carlos, Brasil.

Moraes, L.A., Flauzino, R.A., Araujo, M.A. and Batista, O.E. (2014). A Fuzzy Methodology to Improve Time Series Forecast of Power Demand in Distribution Systems. Department of Electrical and Computing Engineering, University of Sao Paulo, Sao Carlos, Brazil.

66

Nalbant, A., Aslan, Y. ve Yaşar, C. (2005). Kütahya İli Elektrik Puant Yük Tahmini.

Dumlupınar Üniversitesi, Kütahya.

Pala, İ. (1998). Elektrik Sistemlerinde Bölgesel Yük Tahmini. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, İstanbul.

Papadakis, S.E., Theocharis, J.B. and Bakirtzis, A.G. (2003). A Load Curve Based Fuzzy Modelling Technique for Short-Term Load Forecasting. Fuzzy Sets and Systems. 135: 279-303.

Rahman, S. (1993). Generalized Knowledge-Based Short-Term Load Forecasting Technique. IEEE Transaction on Power Systems, 8: 508-514.

Sahay, K.B. and Tripathi, M.M. (2013). Day Ahead Hourly Load Forecast of PJM Electricity Market and ISO New England Market by Using Artificial Neural Network. Department of Electrical Engineering, Delhi Technological University, New Delhi, India.

Shi, D., Li, R., Shi, R. and Li, F. (2014). Analysis of the Relationship between Load Profile and Weather Condition. Depertment of Electronic and Electrical Engineering, University of Bath, UK.

Singh, A.K., Khatoon, S., Muazzam, Md. and Chaturvedi, D.K. (2012). Load Forecasting Techniques and Methodologies: A Review. 2nd International Conference on Power, Control and Embedded Systems.

Song, O., Hu, W. and XIE, W. (2002). Robust Support Vector Machine with Bullet Hole Image Classification. IEEE Transactions on Systems, Man and Cybernetics – Part C:Application and Rewiew.

Spiegel, M. R. (1981). Theory and Problems of Statistics in SI Units. McGraw-Hill, New York.

Şener, F. (2005). Yük Tahmin Yöntemleri ve Ankara Merkez Metropol Alan için Regresyon Analizi Yöntemi Kullanılarak Uygulanması. Yüksek Lisans Tezi, Gazi Üniversitesi, Ankara.

67

Tang, Z. and Fishwick, P.A. (1993). Feedforward Neural Nets as Models for Time Series Forecasting. TR91-008 Computer and Information Sciences, University of Florida, 1-26.

Topallı, A.K. and Erkmen, I. (2003a). A Hybrid Learning for Neural Networks Applied to Short Term Load Forecasting. Neurocomputing, 51: 495-500.

Topallı, A.K. and Erkmen, I. (2003b). Four Methods for Short-Term Load Forecasting Using Benefits of Artifical Intelligence. Electrical Engineering, 85: 229-233.

Topallı, A.K., Erkmen, I. and Topalli, I. (2006). Intelligent Short-Term Load Forecasting in Turkey. Electrical Power & Energy Systems, 28: 437-447.

Toker, A.C. ve Korkmaz, O. (2011). Türkiye’nin Kısa Süreli Elektrik Talebinin Saatlik Olarak Tahmin Edilmesi. 17.Uluslararası Enerji ve Çevre Konferansı, İstanbul, 32-35.

Torkzadeh, R., Mirzaei, A., Mirjalili, M.M., Anaraki, A.S., Sehhati, M.R. and Behdad, F. (2014). Medium Term Load Forecasting in Distribution Systems Based on Multi Linear Regression & Principal Component Analysis: A Novel Approach. The 19th Electrical Power Distribution Conference, Niroo Researh Institute, 66-70.

Ünver, Ö. ve Gangam, H. (2008). Uygulamalı Temel İstatistik Yöntemler. Seçkin Yayınları, Ankara, 2008.

Var, H. ve Türkay, E.B. (2014). Yapay Sinir Ağları Kullanılarak Kısa Dönem Elektrik Yükü Tahmini. İstanbul Teknik Üniversitesi, İstanbul.

Xiaobo, X., Liu, W., Xi, Z. and Tianyang, Z. (2014). Short-Term Load Forecasting for the Electric Bus Station Based on GRA-DE-SVR. 2014 IEEE Innovative Smart Grid Technologies, Asia 388-393.

Yalçınöz, T., Herdem, S. ve Eminoglu, U. (2002). Yapay Sinir Ağları ile Niğde Bölgesinin Elektrik Yük Tahmini. ELECO’2002, Bursa, 25-29.

Yang, H., Liao, J. and Lin, C. (2013). A Load Forecasting Method for HEMS Applications. Department of Electrical Engineering, Research Center for Energy Technology and Strategy, National Cheng Kung University, Tainan, Taiwan.

68

Yavuzdemir, M. (2014). Türkiye’nin Kısa Dönem Yıllık Brüt Elektrik Enerjisi Talep Tahmini. Ankara Üniversitesi, Ankara.

Yılmaz, Z. ve Bozkurt, M.R. (2013). Ayrık Dalgacık Dönüşümü Kullanarak Aritmilere ait Özniteliklerin Çıkarılması. Elektrik Elektronik Mühendisliği Bölümü, Sakarya Üniversitesi, Sakarya.

Yiğit, V. (2011). Genetik Algoritma ile Türkiye Net Elektrik Enerjisi Tüketiminin 2020 Yılına Kadar Tahmini. Endüstriyel Mühendislik Departmanı, Erzurum.

İnternet Kaynakları

1) https://www.mgm.gov.tr/genel/sss.aspx?s=hissedilensicaklik, 13.01.2018

69

ÖZGEÇMİŞ

Ad Soyad : Abdurrahman BİÇER

Doğum Yeri ve Tarihi : Gelibolu 02/01/1994 Yabancı Dil : İngilizce

İletişim (Telefon/e-posta) : 505 901 85 65 / abicer029@gmail.com

Eğitim Durumu

Lise : Soma Rıfat Dağdelen Anadolu Lisesi, (2008-2012)

Lisans : Afyon Kocatepe Üniversitesi, Elektrik

Mühendisliği Bölümü, (2012-2016)

Yüksek Lisans : Afyon Kocatepe Üniversitesi, Fen Bilimleri Enstitüsü, Yenilenebilir Enerji Sistemleri Anabilim Dalı, (2016 – Devam Ediyor)

İş Tecrübesi : İmbat Madencilik Sanayi Turizm AŞ (2016 Temmuz – Devam Ediyor)

Yayınları : Bicer, A., Yonetken, A., “Program Development For Energy Demand Forecasting And Its

Application For A Site” International Journal of Scientific & Engineering Research Vol. 9, Issue 8, August-2018, ISSN 2229-5518, 18-27.

Belgede ELEKTRİK MÜHENDİSLİĞİ YENİLENEBİLİR ENERJİ SİSTEMLERİ ANABİLİM DALI (sayfa 63-0)