Geri Dön

Elektrikli araç şarj istasyonlarında kullanım eğilimlerinin makine öğrenimine dayalı modellenmesi ve talep tahmini

Machine learning-based modeling of usage trends and demand forecasting in electric vehicle charging stations

PDF İndir

  1. Tez No: 1001320
  2. Yazar: HATİCE BİLGE ALGIN
  3. Danışmanlar: DOÇ. DR. MURAT KÖSEOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İnönü Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Elektrikli araçların yaygınlaşmasıyla birlikte şarj altyapısına yönelik talep tahminleri, enerji arz güvenliği ve şebeke yönetimi açısından büyük önem kazanmıştır. Bu bağlamda farklı zaman ölçeklerinde oluşturulan dört veri seti üzerinden kapsamlı bir karşılaştırma yapılmıştır. Birinci veri seti ham saatlik ölçümleri; ikinci veri seti günlük toplamları; üçüncü veri seti haftalık toplamları; dördüncü veri seti ise 24 saat ileriye dönük saatlik pencere formatını içermektedir. Her bir veri seti, klasik zaman serisi modelleri olan ARIMA (Autoregressive Integrated Moving Average, Otoregresif Bütünleşik Hareketli Ortalama) – SARIMA (Seasonal Autoregressive Integrated Moving Average, Mevsimsel Otoregresif Bütünleşik Hareketli Ortalama) ve parametrik Holt-Winters yöntemleri ile makine öğrenmesi tabanlı SVR (Support Vector Regression, Destek Vektör Regresyonu), Random Forest, XGBoost (eXtreme Gradient Boosting, Aşırı (Ekstrem) Gradyan Artırma), LightGBM (Light Gradient Boosting Machine, Hafif Gradyan Artırma Makinesi), GBR (Gradient Boosting Regressor, Gradyan Artırma Regresyonu) ve Prophet yaklaşımlarına ek olarak derin öğrenme mimarisi LSTM (Long Short-Term Memory, Uzun Kısa Süreli Bellek) ve BiLSTM (Bidirectional Long Short-Term Memory, Çift Yönlü Uzun Kısa Süreli Bellek) kullanılarak modellenmiştir. Model eğitiminde eksik değer atamaları, ölçeklendirme ve mevsimsel bileşen ayrıştırması gibi veri hazırlama adımları titizlikle yürütülmüştür; her yöntemin hiperparametre optimizasyonu deneysel gerçekleştirilmiştir. Analiz sonuçları, kısa dönemli dalgalanmaların en iyi biçimde LSTM tabanlı derin öğrenme modelleri ve Prophet tarafından yakalandığını ortaya koymuştur. Birinci ve üçüncü veri setlerinde iki katmanlı LSTM modelleri en düşük hata metriklerine ulaşırken ikinci veri setinde Prophet'in multiplicative mevsimsellik bileşeni en yüksek tahmin doğruluğunu sağlamıştır. Dördüncü veri setinin saatlik öngörülerinde ise BiLSTM mimarisi, tek katmanlı yapı ve düşük düzenleme oranlarıyla en iyi genelleme performansını vermiştir. Klasik ARIMA ve SARIMA modelleri bilgi kriterleri açısından dengeli sonuçlar sunsalar da hata minimizasyonu bakımından derin öğrenme ve Prophet kadar etkili olmamış; parametrik üstel düzleştirme yöntemlerinin katkısı ise sınırlı kalmıştır. Makine öğrenmesi tabanlı XGBoost ve LightGBM yöntemleri, düşük hesaplama maliyeti ve yorumlanabilirlik gerektiren uygulamalarda tercih edilebilir. xiii Sonuç olarak elektrikli şarj istasyonlarının talep tahmininde kısa vadeli planlama ve gerçek zamanlı optimizasyon gereksinimleri için LSTM-BiLSTM mimarileri ve Prophet önerilmektedir. Gelecekte dışsal değişkenlerin entegrasyonu ve farklı model yaklaşımlarının birleşik kullanımı, öngörü başarısını daha da artırma potansiyeli taşımaktadır.

Özet (Çeviri)

With the increasing adoption of electric vehicles, demand forecasting for charging infrastructure has gained critical importance in terms of energy supply security and power grid management. In this context, a comprehensive comparative analysis was conducted using four datasets constructed at different temporal resolutions. The first dataset consists of raw hourly measurements, the second includes daily aggregated values, the third comprises weekly totals, and the fourth represents a 24-hour ahead forecasting structure based on an hourly sliding window format. Each dataset was modeled using a wide range of forecasting approaches, including classical time series models such as ARIMA (Autoregressive Integrated Moving Average) and SARIMA (Seasonal Autoregressive Integrated Moving Average), parametric Holt–Winters exponential smoothing methods, machine learning-based algorithms such as Support Vector Regression (SVR), Random Forest, XGBoost, LightGBM, Gradient Boosting Regressor (GBR), and Prophet, as well as deep learning architectures including Long Short-Term Memory (LSTM) and Bidirectional Long Short-Term Memory (BiLSTM) networks. Data preprocessing procedures—including missing value imputation, feature scaling, and seasonal component decomposition—were carefully implemented. Additionally, hyperparameter optimization for each modeling approach was conducted experimentally to ensure fair and robust performance evaluation. The analysis results demonstrate that short-term demand fluctuations are most effectively captured by LSTM-based deep learning models and the Prophet framework. For the first and third datasets, two-layer LSTM architectures achieved the lowest error metrics, while Prophet, employing a multiplicative seasonality structure, provided the highest forecasting accuracy for the second dataset. In the case of the fourth dataset, which focuses on hourly-ahead demand prediction, the BiLSTM architecture—with a single-layer configuration and low regularization settings—exhibited the best generalization performance. Although classical ARIMA and SARIMA models produced balanced outcomes with respect to information criteria, they were less effective in minimizing forecasting errors compared to deep learning and Prophet-based approaches. Similarly, the contribution of parametric exponential smoothing methods remained limited. In contrast, machine learning- xv based models such as XGBoost and LightGBM may be preferable in scenarios where low computational cost and interpretability are prioritized. In conclusion, LSTM–BiLSTM architectures and Prophet are recommended for short-term planning and real-time optimization tasks in electric vehicle charging demand forecasting. Future studies may further enhance predictive performance by integrating exogenous variables and exploring hybrid modeling frameworks.

Benzer Tezler

  1. Tez No

    322919

    Güneş pili ve hidrojen yakıt pilinden beslenen küçük bir elektrikli araç için batarya şarj sistemi tasarımı ve gerçekleştirilmesi

    Battery charge system design and implementation for a small electric car using PV panels and fuel cell

    NABEEL ALTANNEH

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Elektrik ve Elektronik MühendisliğiGazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. M. TİMUR AYDEMİR

  2. Tez No

    945299

    E-mobilite uygulamaları için geniş çıkış gerilimi aralığında çalışabilen LLC rezonans dönüştürücü tasarımı ve gerçekleştirilmesi

    Design and implementation of an LLC resonant converter with wide output voltage range for e-mobility applications

    YUSUF BEHAUDDİN GÜNEY

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET ONUR GÜLBAHÇE

  3. Tez No

    378388

    Elektrikli araç şarj altyapısı tasarımı ve akıllı şarj sisteminin geliştirilmesi

    Design, modeling and application of electric vehicle charging infrastructure including smart charging management

    BÜNYAMİN YAĞCITEKİN

    Doktora

    Türkçe

    Türkçe

    2014

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET UZUNOĞLU

  4. Tez No

    653752

    Genetik algoritma ve parçacık sürü optimizasyonu yöntemleriyle optimum konumu belirlenen elektrikli araç şarj istasyonlarının simülasyon ile kapasitesinin planlaması

    Planning of simulation capacity of electric vehicle charging stations with optimum location determined by genetic algorithm and particle swarm optimization methods

    SERDAR ÇELİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Endüstri ve Endüstri MühendisliğiAtatürk Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKAY AKKAYA

  5. Tez No

    814869

    Yenilenebilir enerji destekli elektrikli araç şarj istasyonları için yük tarafı talep yönetiminin akıllı kontrol yöntemleri ile geliştirilmesi

    Implementation of a load side demand management with intelligent control methods for renewable energy supported electric vehicle charging stations

    HASAN MERAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiBursa Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKAY BAYRAK

Geri Dön