Geri Dön

Derin öğrenme modelleriyle elektrik tüketimi tahmini

Electricity consumption forecasting with deep learning models

  1. Tez No: 877577
  2. Yazar: EMRAH DEMİR
  3. Danışmanlar: PROF. DR. SERKAN GÜNAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Eskişehir Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Donanımı Bilim Dalı
  13. 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

  1. 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

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET VOLKAN ATALAY

    PROF. DR. ADNAN YAZICI

  2. 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

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiBilecik Şeyh Edebali Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET KURBAN

    DOÇ. DR. EMRAH DOKUR

  3. 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

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET AKİF YAZICI

    DR. ÖĞR. ÜYESİ MEHMET FATİH DEMİRKOL

  4. 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

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ

  5. 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

    Türkçe

    2023

    EnerjiSivas Cumhuriyet Üniversitesi

    Enerji Bilimleri ve Teknoloji Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DERYA BETÜL ÜNSAL ÇELİMLİ