Long-term renewable energy forecasting and multi-agent reinforcement learning optimization for Turkey's 2050 Technical Planning Horizon aligned with 2053 net-zero commitment: A hybrid neural-physical and hierarchical reinforcement learning approach
Türkiye'nin 2053 net-sıfır taahhüdüyle uyumlu 2050 Teknik Planlama Ufku için uzun vadeli yenilenebilir enerji öngörüsü ve çok ajanlı pekiştirmeli öğrenme tabanlı optimizasyon: Hibrit bir nöral-fiziksel ve hiyerarşik bir pekiştirmeli öğrenme yaklaşımı
- Tez No: 1007942
- Danışmanlar: PROF. DR. FAİK BİLGİLİ
- Tez Türü: Doktora
- Konular: Ekonomi, Ekonometri, Enerji, Economics, Econometrics, Energy
- Anahtar Kelimeler: Ekolojik ekonomi, Elektrik güç sistemleri, Enerji dönüşümü, Enerji ekonomisi, Enerji optimizasyon modeli, Enerji planlaması, Tahminleme, Çevre ekonomisi, Çok kriterli optimizasyon, İklim değişikliği, Ecological economics, Electric power systems, Energy transition, Energy economy, Energy optimization model, Energy planning, Forecasting, Environmental economics, Multi criteria optimization, Climate change
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Erciyes Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İktisadi ve İdari Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, Türkiye elektrik sektörünün 2024–2050 dönemine yönelik uzun vadeli dönüşüm planlaması için bütünleşik bir yapay zekâ tabanlı karar destek çerçevesi geliştirmiştir. Çalışmanın çıkış noktası, mevcut literatürde uzun dönemli yenilenebilir enerji öngörüleri ile yatırım ve politika optimizasyonunun çoğunlukla birbirinden bağımsız ele alınması ve bunun fiziksel tutarlılığı zayıflatmasıdır. Bu amaçla tezde, öngörü ve optimizasyon katmanlarını karşılıklı geri besleme mantığıyla birleştiren Türkiye Energy Optimization and Prediction System adlı modüler ve tekrarlanabilir bir yapı kurulmuştur. Çalışmada Türkiye'nin 2000–2024 dönemine ait tarihsel elektrik verileri ile NREL Annual Technology Baseline başta olmak üzere ulusal ve uluslararası veri setleri kullanılmış, fiziksel kısıtlar içeren on sekiz farklı öngörü konfigürasyonu karşılaştırılmış ve yedi bölgeyi kapsayan yüksek boyutlu bir karar ortamında dokuz farklı politika arama yöntemi değerlendirilmiştir. Geliştirilen sistem, 446 boyutlu durum uzayı ve 119 boyutlu eylem uzayı içinde yenilenebilir kapasite genişlemesi, yatırım zamanlaması, emisyon azaltımı ve sistem yeterliliği hedeflerini birlikte ele almıştır. Karar verme süreci, enerji dönüşümüne ilişkin çok boyutlu hedefleri tek bir optimizasyon çerçevesinde temsil eden ağırlıklandırılmış çok kriterli ödüt fonksiyonu ile tanımlanmıştır. Tezin temel metodolojik katkısı, fiziksel olarak tutarlı öngörüleri yüksek boyutlu politika aramasıyla yinelemeli tutarlılık mekanizması içinde birleştiren TEOPS mimarisinin geliştirilmesidir. Bulgular, orta senaryoda 2050 yılı itibarıyla yüzde 98,9 yenilenebilir elektrik payına ve yüzde 88,8 karbondioksit azaltımına 241,8 milyar dolar kümülatif nominal yatırımla ulaşılabildiğini göstermiştir. Karşılaştırmalı analizler, çok aileli benchmark tasarımının yalnızca yöntemler arasındaki performans farklarını değil, aynı zamanda ağırlıklandırılmış çok kriterli ödüt fonksiyonu ile enerji dönüşümüne ilişkin temel performans göstergeleri arasındaki sistematik ayrışmaları ortaya koyduğunu göstermiştir. Sonuç olarak bu tez, enerji dönüşüm planlamasında fiziksel olarak tutarlı öngörü ile çok amaçlı optimizasyonu aynı çerçevede birleştiren, şeffaf, tekrarlanabilir ve uygulanabilir bir metodolojik katkı sunmuştur.
Özet (Çeviri)
This dissertation proposes an integrated artificial intelligence–based decision-support framework for long-term transition planning in Türkiye's electricity sector over the 2024– 2050 horizon. It addresses a key limitation in the literature, where long-term renewable energy forecasting and investment-policy optimization are typically conducted separately, leading to inconsistencies in physical feasibility and planning coherence. To overcome this limitation, the study develops the Turkey Energy Optimization and Prediction System (TEOPS), a modular and reproducible architecture that integrates forecasting and optimization through an iterative feedback mechanism. The empirical framework utilizes Türkiye's historical electricity data for 2000–2024, together with national and international datasets, including the NREL Annual Technology Baseline. Eighteen physically constrained forecasting configurations are evaluated, and nine policy-search methods are compared within a high-dimensional decision environment covering seven regions. The system operates with a 446-dimensional state space and a 119-dimensional action space, enabling joint optimization of renewable capacity expansion, investment timing, emissions reduction, and system adequacy. Decision-making is governed by a weighted multi-criteria reward function that aggregates multiple transition objectives into a unified optimization structure. A central methodological contribution is the TEOPS architecture, which ensures iterative consistency between physically grounded forecasts and high-dimensional policy search. Results indicate that, under the moderate scenario, a 98.9% renewable electricity share and an 88.8% reduction in carbon dioxide emissions can be achieved by 2050 with a cumulative nominal investment of 241.8 billion USD. Comparative analysis reveals that the multi-method benchmark framework not only differentiates algorithmic performance but also exposes systematic divergences between the weighted multi-criteria reward function and policy-relevant energy transition outcomes. Overall, the dissertation establishes a transparent, reproducible, and policy-relevant framework for long-term energy transition planning.
Benzer Tezler
- Türkiye enerji piyasasının makine öğrenmesi uygulamasıyla düşük-karbon salımına geçişte ajan temelli modellenmesi
Turkish energy market agent-based modeling for low-carbon transition with machine learning application
BURAK GÖKÇE
Doktora
Türkçe
2026
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
PROF. DR. GÜLGÜN KAYAKUTLU
- Forecastıng bıst renewable energy stocks wıth deep learnıng models and portfolıo optımızatıon
Bıst yenilenebilir enerji hisselerinin derin ögrenme modelleriyle tahmini ve portföy optimizasyonu
OZAN ALP
Yüksek Lisans
İngilizce
2025
İstatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. GÜLDER KEMALBAY
- Derin öğrenme tabanlı yenilenemez enerji tüketim ve fiyat tahmini: Model geliştirme ve uygulama
Deep learning based non-renewable energy consumption and price forecasting: Model development and implementation
NESLİHAN PARLAK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSamsun ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUAMMER TÜRKOĞLU
- Derin öğrenme ve istatistiksel modellerle operasyonel rüzgar enerjisi tahmini: Batman içinn LSTM, ANN ve ARIMA uygulaması
Operational wind energy forecasting using deep learning and statistical models: An application of LSTM, ANN and ARIMA for Batman
İLAYDA KELKİTLİ BAŞARAN
Yüksek Lisans
Türkçe
2026
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA KEMAL KAYMAK
- Dağıtık enerji sistemleri için yapay zeka destekli batarya sağlığı odaklı adaptif ve çok amaçlı bir enerji yönetim metodolojisinin geliştirilmesi
Development of an ai-assisted, battery health-oriented, adaptive and multi-objective energy management methodology for distributed energy systems
MUSA TERKEŞ
Doktora
Türkçe
2026
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDİN GÖKALP
DOÇ. DR. ALPASLAN DEMİRCİ