Hibrit derin öğrenme modeli ile elektrik tüketimtahmini
Electricity consumption forecasting with hybrid deeplearning model
- Tez No: 947767
- Danışmanlar: PROF. DR. FATMA NOYAN TEKELİ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 64
Özet
Günümüzde elektrik enerjisi, modern dünyanın sürdürülebilirliği bakımından temel bir ihtiyaç haline gelmiştir. Bu doğrultuda, doğru ve güvenilir tahminler yapabilmek, arz ve talep dengesinin sağlanması, maliyet optimizasyonu ve enerji politikalarının geliştirilmesinde önemli bir rol oynamaktadır. Derin öğrenme alanındaki hızlı gelişmeler zaman serisi verilerinin tahmininde büyük ilgi uyandırmıştır. Her ne kadar geleneksel zaman serisi yöntemlerinden daha başarılı sonuçlar elde edilse de tek bir derin öğrenme modelinin karmaşık zaman serisi verilerinde her zaman yeterli olmadığı görülmüştür. Bu eksiklikten yola çıkılarak, bu tez çalışmasında Geçitli Tekrarlayan Birim (Gated Recurrent Unit- GRU) ve Çift Yönlü Uzun Kısa Vadeli Bellek (Bidirectional Long ShortTerm Memory- BiLSTM) modellerini birlikte kullanarak hibrit bir derin öğrenme modeli önerilmiştir. Çalışmada farklı hiperparametreler denenmiş olup optimal sonuçları elde eden parametre sayıları ile analizler yapılmıştır. Çalışmada, 2020-2024 yıllarına ait Türkiye'de toplanan saatlik elektrik tüketim verisi ele alınmıştır. İlgili veri kümesi günlük ölçeğe dönüştürülerek tahminleme süreci günlük düzeyde yapılmıştır. Önerilen hibrit derin öğrenme modelinin performansı, klasik derin öğrenme modelleri ile ortalama karekök hata (Root Mean Square Error- RMSE), determinasyon katsayısı (Coefficient of Determination- R 2 ), ortalama mutlak hata (Mean Absolute Error – MAE) ve Ortalama mutlak yüzde hata (Mean Absolute Percentage Error- MAPE) metrikleri kullanılarak karşılaştırılmıştır. GRU-BiLSTM modeli için RMSE, 𝑅 2 , MAE ve MAPE değerleri sırasıyla 1427.0374, 0.9011, 890.2839 ve 2.3707 şeklinde sonuçlanmıştır. Elde edilen bulgulara göre, önerilen hibrit model geleneksel derin öğrenme modellerine kıyasla daha yüksek doğruluk göstermiş ve daha düşük hata oranları sağlamıştır.
Özet (Çeviri)
Nowadays, electrical energy has become a fundamental necessity for the sustainability of the modern world. In this context, making accurate and reliable forecasts plays a crucial role in maintaining the balance between supply and demand, optimizing costs, and developing energy policies. The rapid advancements in the field of deep learning have attracted significant interest in the forecasting of time series data. Although more successful results have been achieved compared to traditional time series methods, it has been observed that a single deep learning model is not always sufficient for complex time series data. Based on this shortcoming, this thesis proposes a hybrid deep learning model that combines Gated Recurrent Unit (GRU) and Bidirectional Long Short-Term Memory (BiLSTM) models. In the study, various hyperparameters were tested, and analyses were carried out using the parameter settings that yielded optimal results. The study focuses on hourly electricity consumption data collected in Turkey from 2020 to 2024. The dataset was converted to a daily scale, and the forecasting process was carried out daily. The performance of the proposed hybrid deep learning model was compared with classical deep learning models using metrics such as Root Mean Square Error (RMSE), Coefficient of Determination (R²), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). For the GRU-BiLSTM model, the RMSE, R², MAE, and MAPE values were found to be sırasıyla 1427.0374, 0.9011, 890.2839 and 2.3707 respectively. According to the findings, the proposed hybrid model demonstrated higher accuracy and provided lower error rates compared to traditional deep learning models.
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
- Kısa dönem elektrik tüketim tahmini için 2D-CNN ve derin öğrenme algoritmaları kullanılarak hibrit bir model geliştirilmesi
A hybrid model by using 2D-CNN and deep learning algorithms for short-term electricity consumption forecasting
DUYGU ALTUNKAYA
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Gıda ve Tarım ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURAK YILMAZ
- Yenilenebilir enerji kaynaklarına dayalı akıllı enerji dağıtım sisteminin tasarımı
Design of smart energy distribution system based on renewable energy sources
GÜLAY YILDIZ DOĞAN
Doktora
Türkçe
2024
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. NURSEL ÖZTÜRK
- Tokat gaziosmanpaşa ünıversitesi hastanesi için hibrit derin öğrenme (CNN-LSTM) modeli ile enerji talep tahminlemesi
Energy demand forecasting for tokat gaziosmanpaşa university hospital with hybrid deep learning (CNN-LSTM) model
ORHAN YILDIZ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZAFER DOĞAN
- Derin öğrenme yöntemi kullanarak tarımda verimliliği arttıran yeni bir hibrit model
A new hybrid model increasing productivity in agriculture using deep learning method
FATİH BAL
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH KAYAALP