Derin yapay sinir ağları ile elektrik tüketim tahmini
Forecasting electricity consumption with deep artificial neural networks
- Tez No: 766665
- Danışmanlar: PROF. DR. BARIŞ BOZKURT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Derin öğrenme, Elektrik tüketimi, Tahmin, Zaman serileri, Deep learning, Electric consumption, Estimation, Time series
- Yıl: 2022
- Dil: Türkçe
- Üniversite: İzmir Demokrasi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Türkiye'nin gelişmekte olan yapısı sebebiyle özellikle elektrik enerjisine olan ihtiyacı sürekli artmaktadır. Belirli dönemler için elektrik enerjisi talebinde yüksek farklar oluşmaktadır. Elektrik enerjisi büyük oranlarda depolanamaması sebebiyle söz konusu enerji talebini eş zamanlı ve kesintisiz olarak karşılamak gerekmektedir. Aksi durumda, bölgesel elektrik kesintileri veya elektrik enerjisi israfı gerçekleşmektedir. Bu problemleri en aza indirmek için belirli bir zaman ufkunda elektrik enerjisi talebinin tahmin edilmesi gerekmektedir. Geleneksel modeller ile kıyaslandığında derin öğrenme yöntemleri, birçok makine öğrenimi problemi için daha iyi performans göstermektedir. Ayrıca, zamansal bağımlılıklar içeren zaman serisi problemleri için derin öğrenme yöntemleri başarıyla uygulanmaktadır. Derin öğrenme yöntemleri, zaman serisi problemleri için ne kadar etkili olsa da, en uygun parametreleri seçmek uzmanlık gerektiren karmaşık bir konudur. Gerçekleştirilen bu tez çalışmasında, 8 adet farklı derin öğrenme mimarisinin kapsamlı bir araştırması gerçekleştirilmiştir. Daha sonra, söz konusu mimarilerin çeşitli mimari konfigürasyon ve eğitim hiperparametreleri kullanılarak eğitimler gerçekleştirilmiştir. Deneyler gerçekleştirilirken, Türkiye'nin 01.01.2010 tarihi saat 00:00'dan 31.12.2020 tarihi saat 23:00'a kadar saatlik olarak örneklenmiş olan elektrik enerjisi tüketim, sıcaklık ve ekonomik verileri kullanılmıştır. Ağırlıklandırılmış toplam hissedilen sıcaklık olarak adlandırılan yeni bir öznitelik, deneylere dâhil edilmiştir. Ayrıca, 2020 yılı test verisi olarak kullanılmış olup, test işlemi gerçekleştirirken hareketli pencere yaklaşımı kullanılmıştır. Gerçekleştirilen deneylerin sonucunda, zaman serisi problemi için en iyi tahmin performansını LSTM ve ardından GRU mimarisi göstermiştir. CNN'lerin ise kısa eğitim süresinde, tatmin edici performansa ulaştığı görülmüştür. Hareketli pencere prosedürü ile test işlemi daha verimli hala gelmiştir. Ayrıca, önerilen ağırlıklandırılmış toplam hissedilen sıcaklık kavramının tahmin doğruluğunu arttırdığı tespit edilmiştir. Sonuç olarak, optimal bir mimari konfigürasyon bulmanın önemi deneyimlenmiştir.
Özet (Çeviri)
Due to the developing structure of Turkey, especially the need for electrical energy is constantly increasing. Electrical energy demand varies according to certain periods. Since electrical energy cannot be stored in large quantities, it is necessary to meet the energy demand simultaneously and uninterruptedly. Otherwise, regional power outages or wastage of electricity occur. In order to minimize these problems, it is necessary to estimate the electrical energy demand over a certain time horizon. Compared to traditional models, deep learning methods perform better for many machine learning problems. In addition, deep learning methods have been successfully applied for time series problems involving temporal dependencies. Although deep learning methods are effective for time series problems, choosing the most appropriate parameters is a complex subject that requires expertise. In this thesis, a comprehensive research of 8 different deep learning architectures was carried out. Then, trainings were carried out using various architectural configurations and training hyperparameters of the mentioned architectures. While performing the experiments, Turkey's electrical energy consumption, temperature and economic data sampled hourly from 01.01.2010 at 00:00 to 31.12.2020 at 23:00 were used. A new feature called weighted total felt temperature was included in the experiments. In addition, the year 2020 was used as the test data, and the moving window approach was used while performing the test. As a result of the experiments, LSTM and then GRU architecture showed the best prediction performance for the time series problem. CNNs, on the other hand, have been found to achieve satisfactory performance in a short training period. With the moving window procedure, the testing process is more efficient. It has been found that the weighted total felt temperature increases the prediction accuracy. The importance of finding an optimal architectural configuration is experienced.
Benzer Tezler
- Çok boyutlu hibrit CNN-LSTM modeli kullanarak elektrik tüketim verilerinden tarife grubu sınıflandırması
Tariff classification with multi-dimensional deep learning using time series load data
ZÜMERYA ÜSTÜNDAĞ
Yüksek Lisans
Türkçe
2024
Afyon Kocatepe ÜniversitesiYenilenebilir Enerji Sistemleri Ana Bilim Dalı
Yükleniyor...
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
- Bir tekstil fabrikasının elektrik tüketim değerlerinin derin öğrenme ile tahminlenmesi
Estimating the electric consumption values of a textile factory with deep learning
HAKAN YURDOĞLU
- A new forecasting system for electrical loads in the middle euphrates region using neural networks
Orta fırat bölgesindeki elektrik yükleri için yapay sinir ağları kullanarak yeni bir tahmin sistemi tasarımı
MUDHER ABDULHADI
- Enerji piyasalarında saatlik elektrik tüketim tahmini için veriye dayalı model geliştirme ve maliyet analizi
Data-driven model development and cost analysis for hourly electricity consumption forecasting in energy markets
ŞENEL AYCAN ALTUNBAŞ
Yüksek Lisans
Türkçe
2025
Necmettin Erbakan ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
Yükleniyor...
