A comparative study of arima and LSTM for two-days ahead forecasting of electricity demand in İzmir-Manisa region in Turkey
Türkiye İzmir-Manisa bölgesinde elektrik talebinin iki gün sonraki tahmini için arıma ve LSTM karşılaştırılması
- Tez No: 860761
- Danışmanlar: DR. ÖĞR. ÜYESİ GÖKHAN DEMİRKIRAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Enerji, İstatistik, Electrical and Electronics Engineering, Energy, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Yaşar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 43
Özet
Elektrik talebini tahmin etmek, enerji altyapılarının yönetimi ve enerji piyasalarından enerji satın alma açısından hayati bir hale gelmiştir. Bu araştırma, Gdz Elektrik Dağıtım şirketinden elde edilen gerçek zaman serisi verilerini kullanarak İzmir ve Manisa bölgelerindeki elektrik talebini tahmin etmeye odaklanmaktadır. Veri seti, Ocak 2020 (COVID sonrası) ile Aralık 2022 tarihleri arasına uzanan günlük toplam enerji tüketim zaman serisini içermektedir. Geleneksel istatistiksel teknik olan ARIMA'yı kullanarak ve performansını Uzun Kısa Vadeli Hafıza ağları (LSTM) ile karşılaştırarak, çalışma hiparaparametrelerin arama alanı üzerinde tahmin doğruluğunu incelemektedir. Sonuçlar, ARIMA'nın verideki açık desenler nedeniyle özellikle hesaplama yoğun LSTM'ye meydan okuyabileceğini göstermektedir. Mevsimsel göstergeleri kullanarak veriyi detrend etmek, ARIMA'nın performansını artırır ve istatistiksel olarak eğilimli uzmanlara bilgi sağlayabilir.
Özet (Çeviri)
Predicting electricity demand has become crucial for management of energy infrastructures and purchasing energy from energy markets. This research focus on on predicting the electric demand in Izmir and Manisa regions, using actual time series data from the Gdz Electric Distribution company. The dataset encompasses daily total energy consumption time series dating from January 2020 (post-COVID) to December 2022. Employing the conventional statistical technique ARIMA and comparing its performance with Long Short-Term Memory networks (LSTM), the study examines forecasting accuracy over a search space of hyperparameters. Results showcases that ARIMA can challenge computationally-intensive LSTM especially due to the evident patterns in data. Detrending the data using seasonal indicators further increases the performance of ARIMA and can provide insights to the statistically-inclined experts.
Benzer Tezler
- Zaman serisi ve sinir ağları kullanarak meme kanseri teşhisinde makine öğrenmesi modellerinin karşılaştırmalı analizi
Comparative analysis of machine learning models for breast cancer diagnosis using time series and neural networks
SERKAN TAŞPINAR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAfyon Kocatepe ÜniversitesiBilgisayar Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KEREM GENCER
- Hisse senedi piyasalarında yapay zeka modellerinin karşılaştırılması
A comparative analysis of artificial intelligence models in stock markets
MELİKE YALÇIN DÜZGÜN
Yüksek Lisans
Türkçe
2025
Aktüerya BilimleriHacettepe ÜniversitesiAktüerya Bilimleri Ana Bilim Dalı
DOÇ. DR. UĞUR KARABEY
- XAU/USD prıce predıctıon usıng deep learnıng: hyperparameter optımızatıon wıth bayesıan, grey-wolf and genetıc algorıthms
Derin öğrenme kullanarak XAU/USD fiyat tahmini: bayes, gri kurt ve genetik algoritmalarla hiperparametre optimizasyonu
MELİS KÜÇÜK
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Güneş enerji santralinin performans değerlendirmesi ve verimliliğinin incelenmesi: Şırnak-Cizre örneği
Performance assessment and effi̇ci̇ency analysi̇s of a solar energy plan: The case of Sirnak-Ci̇zre
MUSTAFA SAKIN
Yüksek Lisans
Türkçe
2025
EnerjiŞırnak ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EDİP TAŞKESEN
- Predictive error compensated wavelet neural networks framework for time series prediction
Zaman serisi tahmini için hata tazminli dalgacık dönüşümlü sinir ağları çerçeve yazılımı
SERKAN MACİT
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ