Enhanced energy demand management in electric distribution networks using lstm-xgboost model
Lstm-xgboost modeli̇ kullanilarak elektri̇k dağitim ağlarinda geli̇şti̇ri̇lmi̇ş enerji̇ talebi̇ yöneti̇mi̇
- Tez No: 1007475
- Danışmanlar: DR. ÖĞR. ÜYESİ MESUT ÇEVİK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Özellikle yenilenebilir enerjinin artan entegrasyonu ve akıllı şebekelerin giderek karmaşıklaşması göz önüne alındığında, elektrik tüketiminin doğru bir şekilde tahmin edilmesi, enerji sistemlerinin güvenilirliğini, operasyonel verimliliğini ve dayanıklılığını artırmak için çok önemlidir. Bu araştırma, doğruluğu ve güvenilirliği artırmak için Uzun Kısa Süreli Bellek (LSTM) ağlarını Aşırı Gradyan Artırma (XGBoost) ile birleştiren yenilikçi çok katmanlı bir kısa vadeli elektrik yükü tahmin modeli sunmaktadır. Yaklaşım üç ana adımdan oluşmaktadır: veri temizleme ve özellik çıkarma, ayrı LSTM ve XGBoost modellerinin geliştirilmesi ve bunların birleşik bir hibrit mimariye entegre edilmesi. Bu çalışmada, 15 dakikalık aralıklarla yakalanan 2022 yılına ait yüksek çözünürlüklü yük verilerini içeren Belçika'dan Elia Grid veri seti kullanılmıştır. Hibrit model, LSTM'nin sıralı bağımlılıkları öğrenme gücünden yararlanırken, XGBoost doğrusal olmayan artık desenleri yakalayarak ve özellik önemini çıkararak katkıda bulunmuştur. Önerilen model, bağımsız LSTM ve XGBoost modellerine karşı performansını değerlendirmek için kapsamlı testlerden geçmiştir. Hibrit model, 106,54 MW'lık Kök Ortalama Kare Hatası (RMSE), %1,18'lik Ortalama Mutlak Yüzde Hatası (MAPE) ve 0,994'lük Belirleme Katsayısı (R²) ile en iyi sonuçlarını elde etmiştir. Duyarlılık analizi, geri bakma penceresi boyutunun artırılmasının model performansını iyileştirdiğini, ancak dikkat mekanizmalarının doğruluğu artırmadığını göstermiştir; bu nedenle bu mekanizmalar nihai tasarımdan çıkarılmıştır. Geleneksel modellerden daha iyi performans göstermesinin yanı sıra, önerilen çerçeve güçlü genelleştirilebilirlik, ölçeklenebilirlik ve yorumlanabilirlik göstermiş olup, gerçek zamanlı enerji yönetim sistemleri için uygun hale gelmiştir. Model, yakın zamanda geliştirilen klasik ve derin öğrenme (DL) modelleriyle karşılaştırılmış ve birden fazla veri kümesinde rekabetçi veya üstün sonuçlar göstermiştir. Bu çalışma, akıllı şebeke yönetiminde yapay zeka tabanlı uygulamaların tasarımına katkıda bulunmakta ve zaman serisi tahminleri için hibrit DL teknikleri üzerine literatürü zenginleştirmektedir. Gelecekteki araştırmalar, modeli çok bölgeli veri kümelerine genişletmeyi, hava durumu ve sosyoekonomik değişkenleri dahil etmeyi ve sistemi gerçek dünya şebeke kontrol ortamlarında uygulamayı inceleyecektir.
Özet (Çeviri)
Accurately forecasting electricity consumption is essential for improving the reliability, operational efficiency, and resilience of energy systems, particularly given the rising integration of renewables and the advancing complexity of smart grids. This research introduces an innovative multilayered model for short-term electric load forecasting that combines Long Short-Term Memory (LSTM) networks with Extreme Gradient Boosting (XGBoost) to enhance accuracy and dependability. The approach consists of three main steps: data cleaning and feature extraction, development of separate LSTM and XGBoost models, and combining them into a unified hybrid architecture. The Elia Grid dataset from Belgium was used in this study, containing high-resolution load data for 2022 captured at 15-minute intervals. The hybrid model leveraged the LSTM's strength in learning sequential dependencies, while XGBoost contributed by capturing non-linear residual patterns and extracting feature importance. The proposed model underwent extensive testing to evaluate its performance against independent LSTM and XGBoost models. The hybrid model achieved its best results with a Root Mean Square Error (RMSE) of 106.54 MW and Mean Absolute Percentage Error (MAPE) of 1.18% and Coefficient of Determination (R²) of 0.994. The sensitivity analysis showed that increasing the look-back window size improved model performance but the attention mechanisms did not enhance accuracy so they were removed from the final design. In addition to outperforming traditional models, the proposed framework demonstrated strong generalizability, scalability, and interpretability, making it suitable for real-time energy management systems. The model was benchmarked against recent classical and deep learning (DL) models and showed competitive or superior results across multiple datasets. This work contributes to the design of AI-based applications in smart grid management and enriches the literature on hybrid DL techniques for time series forecasting. Future research will explore expanding the model to multi-regional datasets, incorporating weather and socioeconomic variables, and deploying the system in real-world grid control environments.
Benzer Tezler
- Landsat uyduları aracılığı ile elde edilen görüntülerin işlenmesinde kontrast artırma tekniklerinin tanımı ve bu tekniklere ilişkin bilgisayar programlarının hazırlanması üzerine bir çalışma
Başlık çevirisi yok
BİLHAN TABAK
Yüksek Lisans
Türkçe
1986
Ege ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
Yükleniyor...
- İncir işletmelerinde açığa çıkan hurda incirlerin tek hücre proteini üretiminde substrat olarak kullanımı
Başlık çevirisi yok
HÜLYA OKER
- Patates meristem uçlarından çoklu sürgün elde edilmesinde büyüme regülatörlerinin etkisi
Başlık çevirisi yok
ZİHİN YILDIRIM
- Nikel (II) ve demir (III) nitrit komplekslerinin sulu ortamdaki ardışık oluşumunun potansiyometrik ve spektrofotometrik yöntemle incelenmesi
Potentiometric and spectrophotometric studies on the stepwise formation of cmoplexes of nicel (II) and iron (III) nitrites in aqueous solution
F. BEDİA ERİM