Geri Dön

Developing hybrid deep learning models with data fusion approach for electricity consumption forecasting

Elektrik tüketim tahmini için veri füzyonu yaklaşımı ile hibrit derin öğrenme modellerin geliştirilmesi

PDF İndir

  1. Tez No: 830564
  2. Yazar: SERKAN ÖZEN
  3. Danışmanlar: PROF. DR. MEHMET VOLKAN ATALAY, PROF. DR. ADNAN YAZICI
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 112

Özet

Literatürdeki elektrik tüketim tahmini yapan karmaşık derin öğrenme ağlarının birçoğu, sahadaki uygulayıcı tarafından kolayca uygulanamayabilir. Bu çalışmada ilk olarak klasik derin öğrenme ağları olan konvolasyonel sinir ağları (CNN), uzun kısa-dönemli hafıza ağı (LSTM) ile ilkel regresyon algoritmaları olan arima ve random forest yöntemleri tek değişkenli veri seti üzerinde denenmiştir. Sonrasında, önerdiğimiz hibrit modelleri, hava durumu ve elektrik veri setlerinin birleştirilmesi ile oluşan çok değişkenli veri seti üzerinde deneyip bu hibrit modellerin, tek değişlenli veri seti üzerinde çalışan tekil modellere oranla daha iyi sonuç çıkardığını gösteriyoruz. Daha sonra, kısaca Füzyon modeli olarak adlandırdığımız, veri füzyonunu kullanan hibrit bir model öneriyoruz. Füzyon modeli tek değişkenli veri seti üzerinde çalışan tekil model, çok değişkenli veri seti üzerinde çalışan hibrit model ve son olarak bu iki alt modelin çıktılarını kullanan bir lineer regresyon modelinden oluşmaktadır. Sonuç olarak Füzyon modelinin sonucunun diğer alt modellerin sonucundan daha iyi olduğunu gösteriyoruz. Önerilen Füzyon modeli, Chicago, Pittsburgh ve IHEC veri kümeleri üzerinde, CNN, CNN+LSTM, LSTM+LSTM, kCNN-LSTM ve naif Transformer modelleriyle karşılaştırıldığında, ortalama RMSE değerini 0.0732'ye çekmiştir. Bunlara ek olarak, bir modeli eğitecek kadar veri olmadığı durumlarda transfer öğrenme tekniğinin kullanışlılığını gösteriyoruz. Son olarak, Transformer modellerinde ön işleme ve hibritleştirme yöntemlerinin etkilerini tartışıyoruz.

Özet (Çeviri)

Many of the deep learning solutions for electricity consumption forecasting reported in the literature include complex neural networks that may not be directly employed by the practitioner in the field. Throughout this study, we first demonstrate how the standard deep neural networks, i.e. convolutional neural network (CNN), long short-term memory (LSTM), and primitive methods, i.e. arima, random forest perform on univariate electricity consumption dataset. Then, we build hybrid models in order to test them on the newly formed multivariate dataset by combining weather and electricity datasets and show that they perform better on this dataset than the single models do on the univariate dataset. After doing this, we propose a hybrid model that utilizes data fusion approach, called shortly Fusion model. Fusion model consists of a single model that runs on a univariate dataset, a hybrid model that runs on a multivariate dataset and a linear regression model which is fed with the outputs of the single and hybrid models. As a result, we show that the overall result of Fusion model is better than any submodels' results. The proposed Fusion model improves the average RMSE score to 0.0732 when compared to CNN, CNN+LSTM, LSTM+LSTM, kCNN-LSTM and naive Transformer models on Pittsburgh, Chicago and IHEC datasets. Moreover, we show the usability of transfer learning in case of lack of data, size of which is not necessary to fully train a model. Lastly, we attach our findings related to effect of preprocessing techniques and hybridization of transformer model for the electric consumption forecasting task.

Benzer Tezler

  1. Tez No

    783976

    LUNG DISEASES DETECTION USING DEEP LEARNING

    Derin öğrenme kullanarak akciğer hastalıklarının tespiti

    ABDEL AZIZ KAMO MEGNA

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ OKATAN

  2. Tez No

    894411

    Univariate time series methodology for wind energy based on hybrid deep learning models

    Rüzgar enerjisi için hibrit derin öğrenme modellerine dayalı tek değişkenli zaman serisi metodolojisi

    ANASTASYA ÖZTEKİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Endüstri ve Endüstri MühendisliğiAtılım Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. KAMİL DEMİRBERK ÜNLÜ

  3. Tez No

    898091

    Mathematical model-based clinical decision support system algorithm design study that can support the diagnosis of celiac disease

    Çölyak hastalığının teşhisine destek verebilecek matematik model tabanlı kds algoritması tasarımı

    ELİF KESKİN BİLGİÇ

    Doktora

    İngilizce

    İngilizce

    2024

    Mühendislik Bilimleriİstanbul Üniversitesi-Cerrahpaşa

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. İNCİ ZAİM GÖKBAY

    DOÇ. DR. YUSUF KAYAR

  4. Tez No

    875565

    Müzik verilerinin makine öğrenmesi yöntemleri ile duygu ve içerik analizi yapılması

    Emotion and content analysis of music data using machine learning methods

    BUĞRA KAĞAN KAYHAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilim ve TeknolojiOSTİM TEKNİK ÜNİVERSİTESİ

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MURAT ŞİMŞEK

  5. Tez No

    837076

    Hierarchical deep bidirectional self-attention model for recommendation

    Hiyerarşik çift yönlü öz dikkat tabanlı derin öğrenme tavsiye modeli

    İREM İŞLEK

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞULE GÜNDÜZ ÖĞÜDÜCÜ

Geri Dön