Çok boyutlu hibrit CNN-LSTM modeli kullanarak elektrik tüketim verilerinden tarife grubu sınıflandırması
Tariff classification with multi-dimensional deep learning using time series load data
- Tez No: 924953
- Danışmanlar: DR. ÖĞR. ÜYESİ FATİH SERTTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Enerji, Mühendislik Bilimleri, Electrical and Electronics Engineering, Energy, Engineering Sciences
- Anahtar Kelimeler: Derin öğrenme, Tahmin teknikleri, Yapay sinir ağları, Yük modelleri, Yük tahmini algoritması, Deep learning, Estimation techniques, Artificial neural networks, Load models, Load prediction algorithm
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Afyon Kocatepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yenilenebilir Enerji Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, elektrik tüketim verilerinden yola çıkarak tüketicilerin ait oldukları tarife grubunu tahmin eden bir model geliştirmeyi hedeflenmiştir. Akıllı şebekelerin yaygınlaşması sonucunda, enerji arz ve talebinin dengelenmesinde, maliyet etkinliğinin sağlanmasında ve tüketici davranışlarını yönlendirmede, şebeke unsurlarının doğru şekilde analiz edilmesi gerekmektedir. Bu analizler Talep Tarafı Yönetimi (DSM) gibi akıllı şebeke bileşenlerinin doğru çalışması hususunda önemlidir. Tezin başlangıç bölümlerinde enerji tüketiminin genel bir çerçevesi çizilmiş, modern toplumların ekonomik büyüme ve sürdürülebilir kalkınmasındaki önemi vurgulanmıştır. Çalışmada, yenilikçi bir yaklaşımla derin öğrenme yöntemleri ile tüketim verileri sınıflandırma yapmak amacı ile Konvolüsyonel Sinir Ağları (CNN) ve Uzun Kısa Süreli Bellek (LSTM) modelleri önerilmektedir. CNN sayesinde zaman serilerine iki boyutlu bakış açısı ile ilişkisel özellikler artırılmış, LSTM ile uzun dönemli bağımlılıkları öğrenme yeteneği sayesinde verinin zamansal özellikler çıkarılmıştır. İki yöntem bir araya getirilerek karmaşık zaman serisi verileri analiz edilmiştir. Bu hibrit model, elektrik tüketiminde farklı tarifeler arasındaki sınıflandırmayı daha hassas ve doğru bir şekilde yapabilmektedir. Çalışmada kullanılan veri seti, Afyonkarahisar ilinden beş farklı tarife grubuna ait yıllık tüketim verilerini içermekte ve zamana bağlı olarak aktif, indüktif ve kapasitif tüketim ölçümlerini kapsamaktadır. Verilerin işlenmesi sürecinde, anormallikleri gidermek ve eksik değerleri tamamlamak için z-skoru gibi istatistiksel teknikler uygulanmış ve zaman serileri belirli bir boyuta getirilmiştir. Önerilen yöntem ile diğer derin öğrenme modelleri ile karşılaştırma yapıldığında önerilen modelin %87,83 eğitim, %82,37 test doğruluğu değerleri ile daha iyi sonuç verdiği çıkarılmıştır. Sonuç olarak, tezin bulguları, elektrik tüketimi verilerinden elde edilen sınıflandırmaların, kullanıcı davranışlarının analizinde ve tarife tahmininde yüksek doğruluk sağladığını ortaya koymuştur. Bu modelin, enerji dağıtım şirketlerinin müşteri segmentasyonu, talep tahmini ve talep tarafı yönetimi (DSM) gibi stratejik alanlarda kullanılabileceği ve akıllı şebeke uygulamalarına katkı sağlayabileceği belirtilmiştir. Tez, ayrıca, enerji planlamasının ve arz-talep dengesinin sürdürülebilir şekilde yönetilmesinde önemli bir araç olarak değerlendirilmektedir.
Özet (Çeviri)
In this research, it is aimed to develop a novel model that predicts the tariff group of consumers, based on electricity consumption data. After becoming widespread of Smart Grids, network elements need to be analyzed correctly in balancing energy supply and demand, ensuring cost efficiency and managing consumer behavior. These analyzes is very important for the correct operation of smart grids components such as Demand Side Management (DSM). In the initial chapters of the thesis, a general framework of energy consumption is drawn and its importance in the economic growth and sustainable development of modern societies is emphasized. In this study, a novel Conventional Neural Networks (CNN) and Long-Short Term Memory (LSTM) model is proposed to classify electricity consumption data with deep learning methods. Relational features have been increased by CNN with 2D perspective on time series data and temporal features have been extracted by LSTM talent that is learning long term independence. Complex time series data is analyzed by combining two methods. This hybrid model can classify the tariff in electricity consumption more precisely and accurately. The data set used in this study includes annual consumption data of 5 different tariff groups of Afyonkarahisar province and includes active, inductive and capacitive measurements. During the data processing, statistical methods such as z-score were applied to eliminate anomalies and determining missing values and time series are set on a same size. When the proposed model was compared with other deep learning models, it was observed that the proposed model has better results with %87,83 training accuracy and %82,37 test accuracy. As a result, the findings of the thesis revealed that the classifications obtained from electricity consumption data provide high accuracy in the analysis of user behavior and tariff prediction. It has been stated that, this model can be used in strategic fields such as consumers segmentation, demand forecasting and demand side management of energy distribution companies and can contribute smart grids applications. The thesis is also considered an important tool in sustainable management of energy planning and supply-demand balance.
Benzer Tezler
- Human activity recognition using deep learning
Derin öğrenme ile insan aktivitesi tanıma
MURAT YALÇIN
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜLYA YALÇIN
- Çok boyutlu derin öğrenme yaklaşımı kullanarak eeg işaretlerinden duygu tanıma
Emotion recognition from eeg signals using multidimensional deep learning approach
MUHARREM ÇELEBİ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. SITKI ÖZTÜRK
DOÇ. DR. KAPLAN KAPLAN
- Derin ve hafızalı öğrenme yöntemleriyle elektrik enerjisi talep tahmini
Electric energy demand forecasting with deep and memory-based learning methods
ŞEYDA ÖZDEMİR
Doktora
Türkçe
2026
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YAKUP DEMİR
- Fotovoltaik sistemlerde arıza ve hata tespiti için yapay zekâ tabanlı karar destek sistemi geliştirilmesi ve uygulaması
Development and implementation of an artificial intelligence-based decision support system for fault detection and diagnosis in photovoltaic systems
MUHAMMED BUĞRAHAN KAYA
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiErzincan Binali Yıldırım ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. NAİM SÜLEYMAN TINĞ
- Hava hedeflerinin yüksek çözünürlüklü menzil profili verilerinden makina/derin öğrenme yöntemleri ile sınıflandırılması
Classification of aerial targets from high resolution range profile data using deep/machine learning methods
SEDAT TÜRE
Doktora
Türkçe
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SELÇUK PAKER