Makine öğrenimi teknikleri ile veriye dayalı kısa vadeli doğal gaz talep tahmini
Data-based short-term natural gas demand forecasting with machine learning techniques
- Tez No: 883732
- Danışmanlar: DOÇ. DR. HAKAN ÇERÇİOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 78
Özet
Doğal gazın arz ve talebinin doğru bir şekilde planlanması ve yönetilmesi sürecinde gaz talebinin yüksek doğruluk ile öngörülmesi kritik öneme sahiptir. Doğal gaz talep tahminlerinde yapılacak büyük hatalar hem doğal gaz dağıtım şirketlerine hem de ülke ekonomisine milyonlarca dolar zarara uğratmaktadır. Bu kayıpların en aza indirilmesi için, yüksek doğrulukta tahmin modelleri geliştirmek elzemdir. Bu amaçla ilk olarak Türkiye'nin dört farklı bölgesinin dokuz yıl boyunca günlük doğalgaz tüketim verisi temin edilmiştir. Elde edilen zaman serileri kullanılarak gecikmeli, pencere ve zamansal özellikler başlıkları altında toplamda 33 adet bağımsız değişken oluşturulmuştur. Oluşturulacak tahmin modellerine en yüksek katkıyı sağlayacak değişkenleri belirlemek için LASSO regresyonu kullanılmıştır. Ardından uzun kısa süreli bellek, topluluk öğrenme stratejileri ve çok değişkenli regresyon modeli uygulanarak bu şehirlerin günlük doğalgaz tüketimi tahmin edilmeye çalışılmıştır. Oluşturulan modellerin performansı OMÖH, R2, OMYH ve SOMYH yöntemleri ile değerlendirilmiştir. Oluşturulan farklı tahmin modellerin test kümesindeki tahminleri arasındaki farklılıklarının gözlenmesi amacı ile Friedman sıralama toplam testi uygulanmıştır. Çok değişkenli regresyon ve ağaç tabanlı yöntemler tahmin doğruluğu, uyarlanabilirlik ve genelleme yetenekleri ile değerlendirildiğinde iyi performans gösterdiği için doğal gaz dağıtım ve kontrol sistemlerinde başarılı bir şekilde kullanılabileceği görülmüştür. Çalışmanın son aşamasında, makine öğrenimi modellerine ait tahminlerin tüm kombinasyonları, maksimum, minimum, ortalama ve medyan metrikleri ile birleştirilerek doğruluk performansının artırılması amaçlanmıştır. Elde edilen sonuçlar, kombinasyon modellerinin kısmen daha iyi sonuçlar verdiğini göstermiştir.
Özet (Çeviri)
Predicting daily natural gas demand accurately is crucial for effective management of supply and demand of natural gas consumption. Significant errors in natural gas demand forecasts can result in millions of dollars in losses for natural gas distribution companies and the national economy. Developing prediction models with high accuracy is essential to minimize these losses. To this end, daily natural gas consumption data for four different regions of Turkey over nine years was initially obtained. For time series modeling, 33 independent variables were created under the headings of lagged, window, and time features. LASSO regression was employed to identify the variables that would contribute most to the prediction models to be constructed. Subsequently, long short-term memory, ensemble learning strategies, and multivariate regression models were applied to predict these cities' daily natural gas consumption. The performance of the constructed models was evaluated using metrics such as MAPE, R2, MASE, and sMAPE. The Friedman rank sum test was applied to observe differences in predictions among various forecast models in the test dataset. Multivariate regression and tree-based methods demonstrated remarkable performance in terms of prediction accuracy, adaptability, and generalization ability, indicating their potential successful utilization in natural gas distribution and control systems. In the study's final stage, combinations of machine learning models' predictions were merged using maximum, minimum, mean, and median metrics to enhance accuracy performance. The obtained results indicated that combination models partially provided better results.
Benzer Tezler
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Feasibility analysis based on advanced deep learning techniques in integrating renewable energy resources into microgrids
Yenilenebilir enerji kaynaklarının mikroşebekelere entegre edilmesinde gelişmiş derin öğrenme tekniklerine dayalı uygulanılabilirlik analizi
FATHI FARAH FADOUL FATHI FARAH FADOUL
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. RAMAZAN ÇAĞLAR
- Development of operation and maintenance strategies for offshore wind industry based on big data management
Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi
UWE LUETZEN
Doktora
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR BEJİ
- A scheme proposal for the development of machine learning-driven agent-based models through case studies
Makine öğrenmesi destekli etmen tabanlı modellerin geliştirilmesine yönelik bir plan önerisi: Örnek modeller
YAKUP TURGUT
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CAFER ERHAN BOZDAĞ