Tariff design for energy production and distribution with machine learning
| dc.contributor.advisor | Özpınar, Mustafa Alper | |
| dc.contributor.author | Işık, Burak | |
| dc.date.accessioned | 2024-10-10T18:25:39Z | |
| dc.date.available | 2024-10-10T18:25:39Z | |
| dc.date.issued | 2018 | |
| dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Mekatronik Mühendisliği Ana Bilim Dalı | en_US |
| dc.description | Fen Bilimleri Enstitüsü, Mekatronik Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Bu çalışmada, Aynı veya daha yakın akıllı şebeke konumlarında yaşayan elektrik müşterilerinin akıllı talep tarafı yönetimi için yeni bir kümeleme yaklaşımı önerilmiştir. Literatürdeki çalışmaların çoğu, her bir müşterinin bireysel tüketim davranışlarına odaklanırken, bu çalışma, enerji üreticilerinin düzgün çalışması için aynı veya en yakın şebekede gruplanmış müşterilerin kümelenmesini optimize etmektedir. Bu yaklaşımın sağladığı en büyük avantaj, puant ve baz tüketimli müşterileri dengeleyerek elektrik şirketlerinin gün öncesi planlamasına fayda sağlamaktır. K-ortalamalar kümesi yöntemi, günlük boyunca daha üniform bir yapı sağlamak üzere birbirlerini dengeleyecek baz ve puant tüketiciler için benzer tüketicileri bulma imkanı sağlar ve mesken müşteriler için yük çizelgeleme ve güç satın alımı için daha iyi bir çözüm sunar. | en_US |
| dc.description.abstract | In this study, A new approach have been proposed for intelligent demand side management in clustering of electricity customers living in the same or closer smart grid locations. While most of the studies in literature focuses on individual consumption behavior of each customer, this study optimizes clustering of grouped customers in the same or closest grid for smooth operation of the energy producers. Greatest advantage provided by this approach is its capability to provide benefits to utility companies' day ahead planning by balancing peak and low consumption customers. K-means clustering method provides finding similar customers for low and peak consumers that balances each others load to provide a more uniform throughout a day provides a better solution for load scheduling and power buy for residental customers. | en_US |
| dc.identifier.endpage | 92 | en_US |
| dc.identifier.startpage | 1 | en_US |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=vbVkXe1KChYWNElr1MuLZkIuWMRYFJd3G_vdab6DkMOQW-aLm4l_CvxigdONDzJi | |
| dc.identifier.uri | https://hdl.handle.net/11467/7784 | |
| dc.identifier.yoktezid | 495491 | en_US |
| dc.language.iso | en | en_US |
| dc.publisher | İstanbul Ticaret Üniversitesi | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.snmz | 2024_Tez | en_US |
| dc.subject | Mekatronik Mühendisliği | en_US |
| dc.subject | Mechatronics Engineering | en_US |
| dc.title | Tariff design for energy production and distribution with machine learning | en_US |
| dc.title.alternative | Makine öğrencmesi kullanılarak enerji üretim ve dağıtımında tarife modellenmesi | en_US |
| dc.type | Master Thesis | en_US |
