Enerji tüketimi tahmini: A-LSTM ağlarına dayalı derin öğrenme yaklaşımı
Energy consumption forecasting: A deep learning approach based on A-LSTM networks
- Tez No: 959230
- Danışmanlar: PROF. DR. MAHMUDE REVAN ÖZKALE ATICIOĞLU
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik ve Veri Bilimi Bilim Dalı
- Sayfa Sayısı: 97
Özet
Ukrayna ile Rusya arasındaki jeopolitik kriz, kalıcı enflasyon, fosil yakıtların tükenmesi ve iklim acil durumu gibi faktörlerin tetiklediği küresel enerji istikrarsızlığı karşısında, enerji tüketim eğilimlerini anlamak ve öngörmek stratejik bir öncelik hâline gelmiştir. Bu tez, bu sorunu ele almak amacıyla, yapay sinir ağlarına dayalı ve daha spesifik olarak dikkat mekanizması içeren bir A-LSTM (Attention-based Long Short-Term Memory) mimarisi kullanarak, fosil ve yenilenebilir enerji kaynaklarının kısa vadeli küresel tüketimini tahmin etmeye yönelik bir model geliştirmektedir. Çalışma, 1965-2022 dönemini kapsayan ve yedi büyük dünya bölgesini içeren tarihsel verilere dayanmaktadır. Biri fosil enerji, diğeri yenilenebilir enerji için olmak üzere iki veri seti oluşturulmuştur. Her bir veri seti, yedi giriş değişkeni (bölgesel tüketim) ve bir çıkış değişkeni (küresel tüketim) içermektedir. Veriler, modele entegre edilmeden önce normalizasyon gibi yöntemler kullanılarak analiz edilmiş ve ön işleme tabi tutulmuştur. Önerilen A-LSTM modeli; bir LSTM katmanı, aşırı öğrenmeyi önlemek için bir Dropout katmanı, geçmiş zaman adımlarına ağırlık vermek için bir Attention katmanı ve nihai küresel tahmini sağlayan bir Dense katmanından oluşmaktadır. Modelin eğitimi, TensorFlow/Keras kullanılarak Google Colab ortamında, Adam optimizasyon algoritması ve EarlyStopping yöntemiyle gerçekleştirilmiştir. Model, mükemmel genelleme yetenekleri sergilemiştir. Yenilenebilir enerji için sırasıyla Ortalama Mutlak Hata 0,0002 ve Ortalama Mutlak Yüzde Hata %1,77; fosil enerji için ise 0,0006 ve %2,07 olarak elde edilmiştir. Bu model daha sonra MLP, klasik LSTM ve ARIMA-ANN gibi literatürde yer alan bazı modellerle karşılaştırılmıştır. Önerilen A-LSTM modeli bu modellerin her birinden daha iyi performans göstermiş ve dikkat mekanizmasının zaman serisi tahminlerinde sağladığı katma değeri doğrulamıştır. 2026 yılına kadar yapılan öngörüler, yenilenebilir enerji tüketiminde %5,73'lük yıllık ortalama büyüme oranıyla sürekli bir artış olduğunu; fosil enerji tüketiminin ise %0,02 ile durağan kaldığını göstermektedir. Bu durum, küresel enerji karmasında yavaş ama istikrarlı bir geçişe işaret etmektedir. Bu tez, A-LSTM modelinin enerji tahminleme alanındaki yüksek potansiyelini ortaya koymakta; doğruluğu, sağlamlığı ve uyarlanabilirliği vurgulamakta ve enerji sektöründeki politika yapıcılar ile paydaşlar için etkili bir araç sunmaktadır.
Özet (Çeviri)
In the face of global energy instability, driven by the geopolitical crisis between Ukraine and Russia, persistent inflation, the depletion of fossil fuels, and the climate emergency, understanding and anticipating energy consumption trends has become a strategic priority. This thesis tackles this issue by developing a forecasting model based on artificial neural networks, more precisely an A-LSTM architecture (Attention-based Long Short-Term Memory), to predict short-term global consumption of fossil and renewable energies. The study relies on historical data from covering the period 1965–2022 and including seven major world regions. Two datasets were constructed: one for fossil energy and the other for renewables. Each dataset contains seven input variables (regional consumption) and one output variable (global consumption). The data were analyzed and preprocessed using methods like normalization before being integrated into the model for training and prediction. The proposed A-LSTM model comprises an LSTM layer, a Dropout layer to limit overfitting, an Attention layer to weigh past time steps, and a Dense output layer. Training was conducted in Google Colab using TensorFlow/Keras with the Adam optimizer and EarlyStopping. The model demonstrated excellent generalization capabilities. It achieved respectively a Mean Absolute Error and Mean Absolute Percentage Error of 0,0002 and 1.77% for renewable energy and 0,0006 and 2.07% for fossil energy. This model has been then compared to some literature models like MLP, classical LSTM, ARIMA-ANN. The A-LSTM proposed consistently outperformed them, confirming the added value of attention mechanisms in enhancing time series forecasting. Forecasts to 2026 indicate continued growth in renewable energy consumption (average annual rate of 5.73%), while fossil energy remains stagnant (0.02%), suggesting a slow but steady global energy transition. this thesis demonstrates the high potential of the A-LSTM model in the field of energy forecasting, highlighting its accuracy, robustness, and adaptability; it offers an effective tool for policymakers and stakeholders in the energy sector.
Benzer Tezler
- A new forecasting system for electrical loads in the middle euphrates region using neural networks
Orta fırat bölgesindeki elektrik yükleri için yapay sinir ağları kullanarak yeni bir tahmin sistemi tasarımı
MUDHER ABDULHADI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ZENGİN
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Enerji sistemlerinde makine öğrenmesi ile güç tüketim tahmini
Power consumption prediction with machine learning in energy systems
YUSUF BERUS
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YURDAGÜL BENTEŞEN YAKUT
- Artificial neural network based dynamic forecaster selection in joint forecasting-scheduling for the internet of things
Nesnelerin interneti için bütünleşik tahmin çizelgelemede yapay sinir ağı tabanlı dinamik tahminleyici seçimi
ERDEM ÇAKAN
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiYaşar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. VOLKAN RODOPLU
PROF. DR. CÜNEYT GÜZELİŞ
- Dalga dönüşümü entegrelı derın öğrenme kullanılarak öngörülemeyen olayları içeren elektrık tüketımı tahmını
Forecasting of electricity consumption with unpredictable events using wavelet-integrated deep learning
HISHAM ALNOUR ADAM HAMZA
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ AJDER
DOÇ. DR. RAMAZAN AYAZ