Forecasting electricity consumption using deep learning methods with hyperparameter tuning
Hiperparametre ayarlı derin öğrenme yöntemleri ile elektrik tüketiminin tahmini
- Tez No: 619589
- Danışmanlar: DR. ÖĞR. ÜYESİ SERKAN AYVAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Enerji, Computer Engineering and Computer Science and Control, Science and Technology, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 66
Özet
Bu çalışmada, zamana bağlı elektrik tüketimindeki değişimi içeren bir veri seti ile derin öğrenme yöntemleri kullanılarak bir günlük elektrik tüketimi tahmin edilmeye çalışılmıştır. Zaman serisi bileşenleri ve makine öğrenimi kavramları açıklandıktan sonra, elektrik tüketimi tahmini ile ilgili daha önceki çalışmalar hakkında genel bilgiler verilmiştir. Kullanılan veri kümesi bir zaman serisi olduğundan, zaman serisi özellikleri ayrıntılı olarak vurgulanmış ve modellemeye geçmeden önce yeniden örnekleme ve yeniden şekillendirme gibi gerekli işlemler gerçekleştirilmiştir. Modelleme aşamasında kullanılan algoritmaların performansını önemli ölçüde etkileyen hiperparametreler üzerinde çeşitli ayarlamalar yapılarak her yöntem için en uygun parametreler araştırılmıştır. Daha sonra en iyi sonuçları veren modeller birbirleriyle karşılaştırılmış ve en düşük hata oranına sahip yöntem belirlenmiştir.
Özet (Çeviri)
In this study, it is tried to estimate one-day electricity consumption by using deep learning methods with a dataset that includes the change in time-dependent electricity consumption. After explaining the time series components and machine learning concepts, general information about previous studies on electricity consumption estimation is given. Since the dataset used is a time series, all the features are emphasized in detail and necessary operations like resample and reshape are performed before proceeding to the modeling. Tuning was applied to hyperparameters which significantly affect the performance of the algorithms used in the modeling stage and the most suitable parameters were searched for each method. Then the best results were compared with each other and the method with the lowest error rate was determined.
Benzer Tezler
- Electricity consumption forecasting during the Covid-19 Pandemic using mobility data
Covıd-19 Pandemisi sırasında hareketlilik verileri kullanılarak elektrik tüketimi tahminlemesi
EFE MUCAN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBüyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERKAN AYVAZ
- A comparative analysis of LSTM and lıghtgbm models in short-term electricity load forecasting: a case study from türkiye
Kısa dönemli yük tahmininde LSTM ve lightgbm modellerinin karşılaştırmalı analizi: Türkiye'den bir vaka çalışması
MUHAMMET FURKAN BAYSAL
Yüksek Lisans
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
- Elektrik tüketim verilerine yapay zeka modellerinin uygulanması
Application of artificial intelligence models to electricity consumption data
AYŞEN CİHAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ VEDAT MARTTİN
- Derin yapay sinir ağları ile elektrik tüketim tahmini
Forecasting electricity consumption with deep artificial neural networks
FATİH ÖZCAN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİzmir Demokrasi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. BARIŞ BOZKURT
- Hibrit derin öğrenme modeli ile elektrik tüketimtahmini
Electricity consumption forecasting with hybrid deeplearning model
VİLDAN KARA
Yüksek Lisans
Türkçe
2025
İstatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. FATMA NOYAN TEKELİ