Türkiye elektrik tüketiminin makine öğrenmesi yöntemleri ile tahmini
Prediction of electricity consumption in turkiye with machine learning methods
- Tez No: 857659
- Danışmanlar: PROF. DR. GÜLHAYAT GÖLBAŞI ŞİMŞEK
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 56
Özet
Tarih boyunca süregelen insanoğlunun günlük yaşantısında en çok ihtiyaç duyduğu enerji türü elektrik enerjisi olmuştur. Teknoloji, sanayi, üretim, tıp, ulaşım ve haberleşme gibi pek çok alanda elektrik enerjisinden faydalanılmaktadır. Elektrik tüketimi teknolojik ilerlemler, ülkelerin ekonomik büyümesi, endüstrileşme ve nüfus artışı gibi etkenlere bağlı olarak kesintisiz bir artış göstermektedir. Enerji talebinin büyük bir bölümünü oluşturan elektrik tüketimi, modern yaşamın da birçok yönünü desteklemektedir. Elektrik enerjisinin bir ülkenin ekonomi büyümesi üzerinde durulması gereken önemli bir nokta olduğunu ihmal etmemeliyiz. Türkiye, ekonomik yapısı ile dünyanın en hızlı büyüyen ülkelerinden biri olarak değerlendirilmektedir. Ülkemizin varlık içinde yaşama seviyesi, teknoloji, üretim ve sanayi gibi önemli unsurların yükselişi için elektrik tüketimi hakkında fikir sahibi olunması ve elektrik tüketim tahminin yapılması oldukça önem arz etmektedir. Bu çalışmalar enerji politikalarının oluşturulması açısından büyük önem taşımaktadır. Makine öğrenimi algoritmaları bizlere bu yolda büyük deneyimler sağlamaktadır. Literatürde yer alan çalışmalar kapsamında elektrik tüketim tahmini için çeşitli makine öğrenimi algoritmaları kullanılmıştır. Bu çalışma, Türkiye'de 31.12.2015 ile 22.03.2022 tarihleri arasındaki Elektrik Tüketim Miktarı veri seti üzerinde makine öğrenmesi, derin öğrenme ve istatistiksel analiz tekniklerinin kapsamlı bir analiz incelemesini sunmaktadır. Uygulamada bu teknikler arasında LSTM, XGBoost, RNN, GRU ve ANN kullanılmıştır. Çalışmanın amacı, regresyon analizinde karşılaşılan otokorelasyon veya artıkların normal dağılmaması gibi problemlere çözüm getirebilecek, güçlü teorik bir yapıya sahip metodlar kullanarak başarılı tahminler üretmektir. Modellerin değerlendirilmesi aşamasında, 10 katlı çapraz doğrulama yöntemi kullanılmış ve çeşitli hiperparametrelerle denenmiştir. Çalışmada en düşük MAE (ortalama mutlak hata), MSE (ortalama kare hatası) ve RMSE (kök ortalama kare hatası) hata metriklerine sahip modeler seçilerek, test verisi üzerindeki performansları karşılaştırılmıştır. Çalışma sonucunda her bir modelin kendine özgür başarıları olmuştur. XGBoost ve ANN yöntemleri diğerlerine göre daha etkileyici sonuçlar göstermiştir. XGBoost modeli, MAE, MSE, ve RMSE için sırasıyla %10.8, %1,6 ve %12,8 olarak hesaplanmıştır. Çıktı değerlerine bakıldığında Türkiye'nin elektrik tüketimi tahmini için XGBoost modelinin daha iyi performans verdiği tespit edilmiştir.
Özet (Çeviri)
Throughout history, the type of energy that human beings need most in their daily life has been electrical energy. Electrical energy is used in many areas such as technology, industry, production, medicine, transportation and communication. Electricity consumption increases due to factors such as technological advances, economic growth of countries, industrialization and population growth. Electricity consumption, which constitutes a large part of energy demand, also supports many aspects of modern life. We should not neglect that electrical energy is an important point that should be emphasized on the economic growth of a country. Turkey is considered one of the fastest growing countries in the world with its economic structure.It is very important to have an idea about electricity consumption and to estimate electricity consumption for the rise of important elements such as the level of living in our country, technology, production and industry.These studies are of great importance in terms of the creation of energy policies. Machine learning algorithms provide us with great experiences on this path. Within the scope of the studies in the literature, various machine learning algorithms have been used to estimate electricity consumption. This study presents a comprehensive analysis review of machine learning, deep learning and statistical analysis techniques on the data set of Electricity Consumption between 31.12.2015 and 22.03.2022 in Turkey. In practice, LSTM, XGBoost, RNN, GRU and ANN were used among these techniques. The aim of the study is to produce successful predictions by using methods with a strong theoretical structure that can provide solutions such as autocorrelation or non-normal distribution of residues encountered in regression analysis. During the evaluation of the models, the 10-fold cross-validation method was used and tested with various hyperparameters. In the study, the models with the lowest MAE (mean absolute error), MSE (mean square error) and RMSE (root mean square error) error metrics were selected and their performance on the test data was compared. As a result of the study, each model has had its own successes. XGBoost, and ANN methods have shown more impressive results than others. The XGBoost model was calculated to be 10.8%, 1.6%, and 12.8% for MAE, MSE, and RMSE, respectively.Looking at the output values, it has been determined that the XGBoost model gives better performance for Turkey's electricity consumption estimation.
Benzer Tezler
- Enerji sistemlerinde makine öğrenmesi ile güç tüketim tahmini
Power consumption prediction with machine learning in energy systems
YUSUF BERUS
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YURDAGÜL BENTEŞEN YAKUT
- Türkiye'nin kısa dönemli saatlik bazda elektrik tüketiminin yapay zeka teknikleri kullanılarak tahmin edilmesi
Short-term electricity load forecasting of Turkey using artificial intelligence technics
VOLKAN ATEŞ
Doktora
Türkçe
2019
Elektrik ve Elektronik MühendisliğiKırıkkale ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT LÜY
DOÇ. DR. NECAATTİN BARIŞÇI
- Recurrent neural network based approaches for electricity consumption forecasting
Tekrarlayan sinir ağı tabanlı elektrik tüketim tahmini
ALPER TOKGÖZ
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- Makine öğrenmesi algoritmalarıyla elektrik tüketimi için talep tahmin modellemeleri ve yenilenebilir enerjinin artan önemi: Türkiye örneği
Demand forecasting modelling for electricity consumption with machine learning algorithms and the increasing importance of renewable energy: The case of Turkiye
İLKNUR YEŞİM DİNÇEL KIRATOĞLU
- Gün öncesi piyasalarında elektrik fiyatı tahmini: Türkiye örneği
Electricity price forecast in day-ahead markets: The case of Türkiye
SALİH ELİYATKIN