Derin öğrenme modelleriyle elektrik tüketimi tahmini
Electricity consumption forecasting with deep learning models
- Tez No: 877577
- Danışmanlar: PROF. DR. SERKAN GÜNAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Donanımı Bilim Dalı
- Sayfa Sayısı: 78
Özet
Nüfus artışı, sanayileşme ve teknolojik gelişmelerdeki eğilimler, küresel elektrik tüketiminde önemli bir artışa neden olmaktadır. Yenilenebilir enerji kaynaklarında önemli ilerlemeler kaydedilirken, sınırlı ve çevresel kaygılara neden olan fosil yakıtları hâlâ elektrik üretiminin birincil kaynağı olmaya devam etmektedir. Bu sorunun üstesinden gelmek ve enerji kullanımını optimize etmek için elektrik talebinin doğru tahmin edilmesi oldukça önemlidir. Bu nedenle bu tez çalışmasında, kısa vadeli (gelecek 24 saat) elektrik tüketimi tahmini için uzun kısa süreli bellek (LSTM) ağı, evrişimli sinir ağı (CNN) ve bu mimarileri birleştiren topluluk öğrenimi temelli derin öğrenme modelleri önerilmektedir. Modeller yalnızca elektrik tüketimi verilerini değil, aynı zamanda sıcaklık, bağıl nem ve rüzgar hızı gibi ilgili meteorolojik parametreleri ve zaman damgaları da dahil olmak üzere ek öznitelikler kullanmaktadır. Modellerin eğitimi ve değerlendirilmesi için coğrafi olarak farklı iki bölgeden alınan yaklaşık 2,5 yıllık saatlik elektrik tüketim, meteoroloji ve zaman damgası verileri kullanılmıştır. Kapsamlı deneysel çalışmalar, söz konusu modellerin uygun öznitelik kümeleriyle eğitilmeleri halinde, elektrik tüketimi tahminine yönelik normalleştirilmiş kök ortalama kare hata (N-RMSE) değerini“0,16”, normalleştirilmiş ortalama mutlak hata (N-MAE) değerini“0,13”ve ortalama mutlak yüzde hata (MAPE) değerini“%4,05”seviyesine kadar düşürebileceğini ortaya koymuştur. Sonuç olarak, bu tez çalışması, elektrik tüketimi tahmini için etkili modeller sunmasının yanı sıra meteorolojik özniteliklerin tahmin performansı üzerindeki etkisine ilişkin değerli bilgiler de vermektedir. Bu katkılar, daha doğru ve gürbüz tahmin yöntemlerinin geliştirilmesine yönelik gelecekteki araştırmalara rehberlik edebilecektir.
Özet (Çeviri)
Current trends in population growth, industrialization, and technological advancements are driving a significant increase in global electricity consumption. While renewable energy sources are making significant strides, fossil fuels still remain the primary source of electricity generation, posing challenges due to resource limitations and environmental concerns. To address these challenges and optimize energy use, accurate prediction of electricity demand is crucial. Therefore, in this thesis dissertation, deep learning models based on long short-term memory (LSTM) network, convolutional neural network (CNN), and ensemble learning combining both architectures are proposed for short-term (next 24 hours) electricity consumption forecasting. The models utilize not only electricity consumption data but also additional features including timestamps and relevant meteorological parameters such as temperature, relative humidity, and wind speed. Two geographically diverse datasets encompassing approximately 2.5 years of hourly electricity consumption data as well as meteorology and timestamp data were utilized for training and evaluating the models. Extensive experimental studies demonstrated that the proposed models utilizing appropriate feature sets can achieve normalized root mean square error (N-RMSE) values as low as“0.16”, normalized mean absolute error (N-MAE) values as low as“0.13”, and mean absolute percentage error (MAPE) values as low as“4.05%”. In conclusion, this dissertation presents not only effective models for short-term electricity consumption forecasting but also valuable insights into the impact of meteorological features on forecasting performance. These contributions can guide future research efforts in developing even more accurate and robust forecasting methods.
Benzer Tezler
- 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
SERKAN ÖZEN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET VOLKAN ATALAY
PROF. DR. ADNAN YAZICI
- Güç sistemlerinin yük tahmini analizinde uzun kısa süreli bellek metodunun kullanılması ve uygulaması
Load forecasting analysis of power systems using long short-term memory and applicati̇on
ÜMMÜHAN GÜLSÜM KILIÇ
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiBilecik Şeyh Edebali ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KURBAN
DOÇ. DR. EMRAH DOKUR
- Secure and coordinated beamforming in 5G and beyond systems using deep neural networks
5G ve ötesi sistemlerde derin sinir ağları kullanarak güvenli ve koordineli hüzmeleme
UTKU ÖZMAT
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET AKİF YAZICI
DR. ÖĞR. ÜYESİ MEHMET FATİH DEMİRKOL
- A novel artificial intelligence based energy management system for microgrids
Mikro şebekeler için yapay zeka temelli yeni bir enerji yönetim sistemi
NECATİ AKSOY
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Yapay sinir ağlarıyla Türkiye'deki yenilenebilir enerji potansiyeline bağlı olarak uzun süreli elektrik üretim tahmini
Estimatation on long-term electricity generation depending on renewable energy potential in Turkey with artificial neural networks
MERVE GÜLER
Yüksek Lisans
Türkçe
2023
EnerjiSivas Cumhuriyet ÜniversitesiEnerji Bilimleri ve Teknoloji Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA BETÜL ÜNSAL ÇELİMLİ