Farkli abone gruplarina ait yük profillerinden enerji tahminleme
Energy forecasting from load profiles of different subscriber groups
- Tez No: 1019369
- Danışmanlar: DOÇ. DR. ÖZAL YILDIRIM, DR. ÖĞR. ÜYESİ CEM HAYDAROĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Enerji, Computer Engineering and Computer Science and Control, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elektrik enerjisinin büyük ölçekte ekonomik olarak depolanamaması, üretim ve tüketim arasındaki dengenin anlık olarak sağlanmasını zorunlu hâle getirmektedir. Bu nedenle elektrik talebinin doğru ve güvenilir biçimde tahmin edilmesi; enerji üretim planlaması, dağıtım şebekelerinin sürdürülebilir işletimi, kaynak optimizasyonu ve işletme maliyetlerinin azaltılması açısından kritik öneme sahiptir. Elektrik tüketimi abone gruplarının kullanım alışkanlıklarına, sektörel faaliyetlerine ve zaman dilimlerine bağlı olarak değişkenlik gösterdiğinden, tüm aboneleri tek bir genel yapı altında değerlendiren yaklaşımlar bazı profiller için yetersiz kalabilmektedir. Bu tez çalışmasında, farklı abone gruplarına ait yük profillerinin ayrı ayrı değerlendirilerek enerji tahminleme performansının artırılması amaçlanmıştır. Çalışma kapsamında, Dicle Elektrik Dağıtım A.Ş. sisteminden elde edilen yaklaşık 20,7 milyon satırlık gerçek zamanlı tüketim verisi (aydınlatma, trafo, abone ve üretim tesisi grupları) kullanılmıştır. Veriler kümülatif sayaç endeksi niteliğinde olduğundan, gerçek tüketim ardışık endekslerin farkı alınarak elde edilmiş; ardından ön işleme, aykırı değer temizliği ve normalizasyon adımlarından geçirilmiştir. Tüketim davranışlarının daha homojen temsil edilebilmesi amacıyla K-Means algoritması ile veriler dört karakteristik kümeye ayrılmış ve her küme üzerinde beş klasik makine öğrenmesi (HistGradientBoosting, Random Forest, Extra Trees, KNN, Ridge) ile iki derin öğrenme (LSTM, CNN-LSTM) modeli WAPE metriği ile karşılaştırılmıştır. Bulgular, tahmin başarısının tüketim profilinin yapısına güçlü biçimde bağlı olduğunu göstermiştir: düzenli ve dönemsel olarak tutarlı profillerde en düşük hata %7,15 WAPE düzeyine inerken, farklı grup ve dönemlerin karıştığı en heterojen kümede tüm modeller zorlanmıştır. Kümeleme uygulanmadan tüm veri tek seriyle modellendiğinde en iyi model dahi ancak yaklaşık %99 WAPE elde edebilmiştir. Bu sonuçlar, tek bir evrensel algoritmanın tüm abone grupları için en iyi olmadığını ve kümeleme ile profil-bazlı model seçiminin tahmin doğruluğunu belirgin biçimde artırdığını ortaya koymaktadır. Sonuç olarak bu tez çalışması, dağıtım şebekelerinde enerji tahmini yapılırken abone gruplarının yük profillerine göre özelleştirilmiş model yaklaşımlarının kullanılmasının daha uygun olduğunu göstermektedir. Profil bazlı tahminleme yaklaşımı, farklı tüketim davranışlarının daha doğru temsil edilmesini sağlamakta ve enerji planlaması, yük yönetimi, kaynak kullanımı ve karar destek süreçleri açısından daha uygulanabilir sonuçlar sunmaktadır. Bu yönüyle çalışma, elektrik dağıtım şirketlerinde veri odaklı, esnek ve abone profiline duyarlı enerji tahminleme sistemlerinin geliştirilmesine katkı sağlamaktadır.
Özet (Çeviri)
The fact that electricity must be generated and consumed simultaneously makes it necessary to maintain the supply-demand balance instantaneously. Therefore, accurate and reliable forecasting of electricity demand is of critical importance for energy generation planning, sustainable operation of distribution networks, resource optimization, and the reduction of operational costs. However, electricity consumption varies depending on the usage habits of subscriber groups, sectoral activities, and time periods; thus, approaches that evaluate all subscribers under a single general structure may be insufficient for certain load profiles. In this thesis, it is aimed to improve energy forecasting performance by evaluating the load profiles of different subscriber groups separately. Within the scope of the study, approximately 20.7 million rows of real-time consumption data obtained from the Dicle Electricity Distribution Inc. system (lighting, transformer, general subscriber, and production facility groups) were used. Since the data are in the form of cumulative meter indices, the actual consumption was obtained by taking the first difference of consecutive readings, followed by preprocessing, outlier treatment, and normalization. The data were then divided into four characteristic clusters using the K-Means algorithm, and on each cluster five classical machine learning algorithms (HistGradientBoosting, Random Forest, Extra Trees, KNN, Ridge) and two deep learning models (LSTM, CNN-LSTM) were compared using the WAPE metric. The findings revealed that forecasting performance strongly depends on the structure of the consumption profile: in regular and temporally consistent profiles the lowest error reached 7.15% WAPE, whereas in the most heterogeneous cluster, where different groups and time periods are mixed, all models struggled. When the entire dataset was modeled as a single series without clustering, even the best model could only reach about 99% WAPE. These results indicate that no single universal algorithm performs best for all subscriber groups, and that clustering together with profile-based model selection substantially improves forecasting accuracy. As a result, this thesis demonstrates that the use of model approaches customized according to the load profiles of subscriber groups is more appropriate when performing energy forecasting in distribution networks. The profile-based forecasting approach enables different consumption behaviors to be represented more accurately and provides more applicable results in terms of energy planning, load management, resource utilization, and decision-support processes. In this respect, the study contributes to the development of data-driven, flexible, and subscriber-profile-sensitive energy forecasting systems in electricity distribution companies.
Benzer Tezler
- Türkiye elektrik piyasası yük profilleri analizi ve bir kümelendirme modeli önerisi
Load profile analysis of Turkish electricity market consumption values and a clustering model proposal
MEHMET MURAT GÜNSAY
Doktora
Türkçe
2021
İşletmeİstanbul Sabahattin Zaim Üniversitesiİşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CANSER BİLİR
- Yeni bir yaklaşımla yük profillerinin oluşturulması ve dağıtım sistemlerinde teknik kayıpların tahmini
A novel approach for load profile formation and technical loss estimation of electrical disrtibution systems
GİZEM TULUN
Yüksek Lisans
Türkçe
2016
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER USTA
- Dental implant (Ti6Al4V) ve abutment montajlarında farklı sistem alternatifi olarak mekanik sıkıştırıcıların araştırılması ve sonlu elemanlar analizi
Investigation and finite element analysis of mechanical compressors as different system alternatives in dental implant (Ti6Al4V) and abutment installations
MEHMET ONUR YAĞIR
Doktora
Türkçe
2024
Makine MühendisliğiSakarya Üniversitesiİmalat Mühendisliği Ana Bilim Dalı
PROF. DR. ŞADUMAN ŞEN
- İzmir bölgesi kadın popülasyonunda DEXA kemik mineral yoğunluğu referans değerleri
DEXA bone mineral density references volues in western Turkey women population
MURAT AYGÜN
Tıpta Uzmanlık
Türkçe
1999
Radyoloji ve Nükleer TıpDokuz Eylül ÜniversitesiRadyodiagnostik Ana Bilim Dalı
DOÇ. DR. METİN MANİSALI
- Tek katmanlı ve çeşitli kazıma derinliğine sahip çok katmanlı zirkonya kronların marjinal uyum ve kırılma dayanımı açısından karşılaştırılması
Comparison of monolayered and multilayered monolithic zirconia crowns fabricated at different milling depths of marginal adaptation and fracture strength
GÖKÇE ZENGİN
Diş Hekimliği Uzmanlık
Türkçe
2025
Diş HekimliğiKocaeli ÜniversitesiProtetik Diş Tedavisi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURCU KANAT ERTÜRK