Geri Dön

Konut enerji tüketim tahminlemesi için dijital ikiz simülasyonlu topluluk öğrenmesi modeli geliştirme

Developing an ensemble learning model with digital twin simulation for residential energy consumption forecasting

PDF İndir

  1. Tez No: 1019437
  2. Yazar: AWSAN AHMED HASSAN KHALED
  3. Danışmanlar: PROF. DR. AKIN ÖZÇİFT, PROF. DR. KIVANÇ BAŞARAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Yapay zeka, Artificial intelligence
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Manisa Celal Bayar Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Küresel nüfusun hızlı artışı ve kentsel alanların sürekli genişlemesi, bina ve konut altyapısına olan talebi artırmış; bu durum bina sektörünü küresel enerji tüketimine en fazla katkı sağlayan başlıca sektörlerden biri hâline getirmiştir. Binaların dünya genelindeki enerji kullanımının önemli bir bölümünden sorumlu olduğu bildirildiğinden, enerji performanslarının iyileştirilmesi; tüketimin azaltılması, işletme maliyetlerinin düşürülmesi ve sürdürülebilir enerji yönetiminin desteklenmesi açısından önemli bir hedef hâline gelmiştir. Bu bağlamda, modern enerji sistemleri; verimli işletimi, talep tarafı planlamasını ve veri odaklı karar verme süreçlerini destekleyebilecek doğru kısa vadeli tahmin modellerine ihtiyaç duymaktadır. Bu tez, kısa vadeli konut enerji tüketimi tahmini için Bayes Optimizasyon yoluyla optimize edilen yığınlama tabanlı bir topluluk öğrenmesi çerçevesi önermektedir. Önerilen model, Diyarbakır'dan elde edilen hane halkı elektrik tüketimi verileri kullanılarak geliştirilmiş ve değerlendirilmiştir. Optimize edilmiş yığınlama modeli, 0,1065 RMSE değeriyle en iyi genel tahmin performansını elde etmiştir. En güçlü bireysel temel modelle karşılaştırıldığında, önerilen yaklaşım RMSE değerini yaklaşık %20,6 oranında azaltarak gelişmiş tahmin kapasitesini göstermiştir. Geleneksel performans değerlendirmesine ek olarak, önerilen modelin dayanıklılığı simüle edilmiş dijital ikiz senaryoları kullanılarak incelenmiştir. Bu senaryolar; kullanıcı davranışı değişiklikleri, veri kalitesi problemleri, cihaz arızası ve enerji verimliliği iyileştirmesi gibi pratik işletme koşullarını temsil etmektedir. Sonuçlar, önerilen çerçevenin senaryo tabanlı bozulmaların çoğu altında güvenilir tahmin performansını koruduğunu göstermiştir. Genel olarak bulgular, gecikme tabanlı öznitelik mühendisliği, yığınlama topluluk öğrenmesi, model optimizasyonu ve simüle edilmiş dijital ikiz doğrulamasının bütünleştirilmesinin, konut enerji tüketimi tahminini iyileştirmek ve verimli bina enerji yönetimini desteklemek için etkili ve güvenilir bir çerçeve sunduğunu göstermektedir.

Özet (Çeviri)

The rapid growth of the global population and the continuous expansion of urban areas have increased the demand for buildings and residential infrastructure, making the building sector one of the major contributors to global energy consumption. Since buildings are reported to account for a substantial share of worldwide energy use, improving their energy performance has become an important objective for reducing consumption, lowering operational costs, and supporting sustainable energy management. In this context, modern energy systems require accurate short-term forecasting models that can support efficient operation, demand-side planning, and data-driven decision-making. This thesis proposes a stacking-based ensemble learning framework optimized through Bayesian Optimization for short-term residential energy consumption forecasting. The proposed model was developed and evaluated using household electricity consumption data from Diyarbakir. The optimized stacking model achieved the best overall forecast performance, with an RMSE of 0.1065. Compared with the strongest individual baseline model, the proposed approach reduced RMSE by approximately 20.6%, demonstrating its improved predictive capability. In addition to conventional performance evaluation, the robustness of the proposed model was examined using simulated digital twin scenarios. These scenarios represented practical operating conditions, including user behavior changes, data quality problems, device failure, and energy efficiency improvement. The results showed that the proposed framework maintained reliable forecasting performance under most scenario-based disturbances. Overall, the findings indicate that integrating lag-based feature engineering, stacking ensemble learning, model optimization, and simulated digital twin validation provides an effective and reliable framework for improving residential energy consumption forecasting and supporting efficient building energy management.

Benzer Tezler

  1. Tez No

    947489

    Pvsyst yazılımı ile şebekeye bağlı 1 MW kapasiteli güneş enerjisi santralinin simülasyonu ve performans analizi

    Simulation and performance analysis of a grid-connected 1 MW solar power plant with pvsyst software

    MUHAMMED SAİD ULAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    EnerjiŞırnak Üniversitesi

    Enerji Bilimi ve Teknolojileri Ana Bilim Dalı

    DOÇ. DR. AHMET TURŞUCU

  2. Tez No

    883270

    Enerji sistemlerinde makine öğrenmesi ile güç tüketim tahmini

    Power consumption prediction with machine learning in energy systems

    YUSUF BERUS

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiDicle Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YURDAGÜL BENTEŞEN YAKUT

  3. Tez No

    453329

    Isparta ili için doğal gaz talep tahmini

    Natural gas demand forecast for Isparta province

    ŞEYMA ÇELİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    EkonometriSüleyman Demirel Üniversitesi

    Ekonometri Ana Bilim Dalı

    YRD. DOÇ. DR. KENAN OĞUZHAN ORUÇ

  4. Tez No

    596538

    Türkiye enerji sektörünün stratejik konumu ve yapay sinir ağı modelleriyle enerji tüketiminin tahmini

    Turkish energy sector strategic position and neural network prediction of energy consumption models with

    HATİCE GENÇ KAVAS

    Doktora

    Türkçe

    Türkçe

    2019

    İşletmeSivas Cumhuriyet Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. HÜDAVERDİ BİRCAN

  5. Tez No

    728716

    Short term electricity load forecasting with deep learning

    Derin öğrenme ile kısa dönemli elektrik yük talep tahmini

    İBRAHİM YAZICI

    Doktora

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

Geri Dön