Dalga dönüşümü entegrelı derın öğrenme kullanılarak öngörülemeyen olayları içeren elektrık tüketımı tahmını
Forecasting of electricity consumption with unpredictable events using wavelet-integrated deep learning
- Tez No: 952791
- Danışmanlar: DOÇ. DR. ALİ AJDER, DOÇ. DR. RAMAZAN AYAZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Makinaları ve Güç Elektroniği Bilim Dalı
- Sayfa Sayısı: 58
Özet
Zaman serisi verilerinin tahmini, özellikle öngörülemeyen olayların varlığında, ekonomi, sağlık ve enerji gibi birçok alanda büyük bir zorluk teşkil etmektedir. Bu tezde, elektrik talebini tahmin etmek için dalgacık entegrasyonlu hibrit bir derin öğrenme modeli sunulmuştur. Bu model, LSTM ağlarını ve XGBoost algoritmasını birleştirmektedir. Çalışmada, ani ve yıkıcı olayların enerji talep desenleri üzerindeki etkilerini incelemek amacıyla COVID-19 pandemisi bir vaka çalışması olarak kullanılmıştır. Önerilen yaklaşım, zaman serisi verilerini farklı frekans bileşenlerine ayırmak için Ayrık Dalgacık Dönüşümü DWT kullanmakta ve modelin hem kısa vadeli hem de uzun vadeli eğilimlere karşı daha duyarlı olmasını sağlamaktadır. Bu güçlü hibrit model, sıralı verilerden zamansal bağımlılıkları öğrenen bir LSTM bileşeni ile artık hataları düzelten ikinci bir XGBoost bileşenini bir araya getirmektedir. Araştırmada kullanılan veri seti, IEEE Dataport'tan alınmış olup, Mart 2017 ile Kasım 2020 tarihleri arasındaki saatlik elektrik tüketim verileri ve meteorolojik değişkenleri içermektedir. Bu veri aralığı, COVID-19 öncesi ve sonrası dönemleri kapsamaktadır. Deneysel sonuçlar, bu hibrit LSTM-XGBoost modelinin yalnızca LSTM modellerine kıyasla daha iyi bir performans sergilediğini ortaya koymuştur. Modelin başarım ölçütleri sırasıyla MAE 19.875,15; RMSE 26.595,62; MAPE 1,78\% ve WI 0,98 olarak hesaplanmıştır. Model, COVID-19 pandemisi gibi ani değişimlere karşı dayanıklılık göstermekte ve günün farklı saatlerinde değişen performans sergilemekte olup, sabah ve öğleden sonraki tahminlerde daha yüksek doğruluk elde edilmiştir. Dalgacık ayrıştırmasının hibrit derin öğrenmeyle entegrasyonu, dalgalı ve belirsiz ortamlar için ölçeklenebilir bir çerçeve sunmaktadır. Bu çalışmanın sınırlılıkları arasında tatil verilerinin eksikliği ve potansiyel arz kaynaklı kesintiler yer almakta olup, gelecekteki çalışmalar için gerçek zamanlı veri entegrasyonu ve uyarlanabilir yeniden eğitme yöntemlerinin kullanılması önerilmektedir.
Özet (Çeviri)
Forecasting time series data, particularly in the presence of unpredictable events, is a major challenge in various fields, including economics, health, and energy. In this thesis, a novel approach is presented to predict electricity demand using a wavelet-integrated hybrid deep learning model, which combines LSTM networks and XGBoost. This study uses the COVID-19 pandemic as a case study to explore the effect of sudden disruptive events on the patterns of energy demand. The suggested approach utilizes DWT to break up time series data down to several frequencies, allowing the model to be more sensitive towards both short-term and long-term trends. This is a strong hybrid model as it combines an LSTM element that learns the temporal dependencies from sequential data and a second XGBoost element that corrects the residual errors. The dataset utilized in the research is taken from IEEE Dataport, which consists of hourly electricity consumption data and meteorological variables from March 2017 to November 2020, thus covering pre- and post-COVID-19 periods. Experimental results showed that this hybrid LSTM-XGBoost model has better performance than LSTM models used alone, with a MAE of 19,875.15, RMSE of 26,595.62, MAPE of 1.78\%, and a WI of 0.98. The model exhibits strength in handling abrupt changes, such as those induced by the COVID-19 pandemic, and shows varying performance across various times of day, with morning and afternoon forecasts being more accurate. The integration of wavelet decomposition with hybrid deep learning offers a scalable framework suitable for volatile environments. Limitations of this research, such as the absence of holiday data and potential supply-side disruptions, are discussed, alongside recommendations for future work, including the incorporation of real-time data and adaptive retraining methodologies.
Benzer Tezler
- Çiftçi kayıt verileri ve açık kaynak kodlu EO-Learn kütüphanesi kullanılarak tarımsal ürün desen tespiti ve kontrolü
Agricultural product pattern detection and control using farmer registration data and open source code EO-Learn library
FATİH FEHMİ ŞİMŞEK
Doktora
Türkçe
2022
Jeodezi ve FotogrametriNecmettin Erbakan ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. SÜLEYMAN SAVAŞ DURDURAN
- Vision-based detection and recognition of maritime objects for autonomous surface navigation
Otonom deniz seyrüseferi için görüntü tabanlı engel tespiti ve gemi sınıflandırma
SEVDA SAYAN YONCA
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Daha elektrikli hava aracı için yüksek verimli bir evirici tasarımı
Designing a high-efficiency inverter for more electric aircraft
NURBANU MACİT ÇATALBAŞ
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN SOYSAL
- A computational fluid dynamics investigation of motion mitigation on a floating object containing tuned liquid column damper
Yüzer bir cismin ayarlı sıvı kolon damperi ile hareket azalma performansının hesaplamalı akışkanlar dinamiği yöntemi ile incelenmesi
RAMAZAN KADİR ZENGİN
Yüksek Lisans
İngilizce
2024
Enerjiİzmir Yüksek Teknoloji EnstitüsüMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÜNVER ÖZKOL
- Marine riser and ammonia synthesis system design for natural gas hydrate exploitation
Doğal gaz hidratlarının çıkarılması için deniz yapısı ve amonyak sentez sistem tasarımı
MAHMUT ERBİL SOYLU
Doktora
İngilizce
2024
Deniz BilimleriOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET CEVDET YALÇINER
PROF. DR. MAHMUT PARLAKTUNA