Geri Dön

Derin öğrenme ile farklı model ve öğrenme algoritmaları kullanılarak kısa vadeli elektrik yük tüketiminin tahmini

Forecasting short-term electricity load consumption using different models and learning algorithms with deep learning

PDF İndir

  1. Tez No: 960697
  2. Yazar: MEHMET TAHİR UÇAR
  3. Danışmanlar: PROF. DR. ASİM KAYGUSUZ
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İnönü Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 129

Özet

Akıllı şebekeleri akıllı kılan önceden elde edilmiş bilgi ve verilere göre yapılan çıkarımlardır. Geçmişte elde edilen zaman verileri özellikle enerji planlamalarında ve öngörülerde önem arz etmektedir. Enerji çalışmaları için planlama ve veri eldesi önemlidir. Fakat zamanla değişen olayları modellemek, veri analizinin zorlu yönlerinden biridir. Bu kıyasla, zamanla değişen elektrik gücü değerlerini tahmin etmekte önemli bir veri analizi problemidir. Verilerdeki örüntüleri belirlemek ve tahmin modelleri geliştirmek için regresyon, makine öğrenimi ve derin öğrenme yöntemleri kullanılmaktadır. Böylece, güç üretim veya tüketimi tahmini için en başarılı modelleri belirlemek ve mümkün olan en yüksek doğruluk seviyesine ulaşmak önem arz etmektedir. Yapılan bu tez çalışmasında uygulanan yöntemler kapsamında öncelikle makine öğrenmesi ile basit bir çalışma yapılmaktadır. Bu ilk çalışmada regresyon analizi yöntemleri kullanılarak Diyarbakır'a ait yıllık nüfus ve elektrik tüketim verileri üzerinden sonraki yıllara ait nüfus ve yıllık elektrik tüketim tahmini yapılmaktadır. Sonrasında ise büyük veri ile derin öğrenme çalışması yapılmaktadır. Teze amaç olan bu çalışmada ilk olarak, hazır bir veri kümesini değerlendirmek ve düzenlemek ve özniteliklerini çıkarmak için Keşifsel Veri Analizi (EDA) kullanılmaktadır. Sonrasında Uzun Kısa Dönem Bellek (LSTM), Geçitli Tekrarlayan Birim (GRU), Basit Tekrarlayan Sinir Ağı (SimpleRNN) ve Çift Yönlü Uzun Kısa Dönem Bellek (BiLSTM) mimarileri kullanılmaktadır. 3 ayrı çalışma mantığının uygulandığı bu çalışmanın ilk kısmında bu dört mimari on bir farklı optimizasyon yöntemi ile kullanılmaktadır. İkinci kısmında, çalışma bir dizi farklı epok sayısı kullanılarak test edilmektedir. Üçüncü kısmında ise, dört mimari, 11 optimizasyon yöntemi ve altı aktivasyon fonksiyonu kullanılarak 264 model üretilmekte ve denemeler bu modeller üzerinden gerçekleştirilmektedir. Sonuçlar kök ortalama karesel hata (RMSE), ortalama mutlak hata (MAE) ve R² skor indekslerine göre analiz edilip grafiklere aktarılmaktadır. R² skor endeksine göre, çalışmadaki en yüksek değer olarak 0,9979'luk bir başarı oranına ulaşılmaktadır. Son olarak, en başarılı on uygulama listelenmektedir.

Özet (Çeviri)

What makes smart grids smart are the inferences made according to previously obtained information and data. Time data obtained in the past is especially important in energy planning and predictions. Planning and data acquisition are important for energy studies. However, modeling events that change over time is one of the challenging aspects of data analysis. In comparison, estimating electrical power values that change over time is an important data analysis problem. Regression, machine learning and deep learning methods are used to determine patterns in the data and develop prediction models. Thus, it is important to determine the most successful models for power production or consumption prediction and to reach the highest possible accuracy level. In the study conducted, a simple study is first carried out with machine learning. In this first study, the population and annual electricity consumption estimates for the following years are made using regression analysis methods on the annual population and electricity consumption data of Diyarbakır. Then, a deep learning study is carried out with big data. In this study, which is the aim of the thesis, Exploratory Data Analysis (EDA) is first used to evaluate and organize a ready data set and extract its features. Afterwards, Long Short Term Memory (LSTM), Gated Recurrent Unit (GRU), Simple Recurrent Neural Network (SimpleRNN) and Bidirectional Long Short Term Memory (BiLSTM) architectures are used. In the first part of this study where 3 different working logics are applied, these four architectures are used with eleven different optimization methods. In the second part, the study is tested using a series of different epoch numbers. In the third part, 264 models are produced using four architectures, eleven optimization methods and six activation functions and the experiments are carried out on these models. The results are analyzed according to the root mean square error (RMSE), mean absolute error (MAE) and R² score indices and transferred to the graphics. According to the R² score index, a success rate of 0.9979 is reached as the highest value in the study. Finally, the ten most successful applications are listed.

Benzer Tezler

  1. Tez No

    898091

    Mathematical model-based clinical decision support system algorithm design study that can support the diagnosis of celiac disease

    Çölyak hastalığının teşhisine destek verebilecek matematik model tabanlı kds algoritması tasarımı

    ELİF KESKİN BİLGİÇ

    Doktora

    İngilizce

    İngilizce

    2024

    Mühendislik Bilimleriİstanbul Üniversitesi-Cerrahpaşa

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. İNCİ ZAİM GÖKBAY

    DOÇ. DR. YUSUF KAYAR

  2. Tez No

    542575

    Human activity recognition using deep learning

    Derin öğrenme ile insan aktivitesi tanıma

    MURAT YALÇIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜLYA YALÇIN

  3. Tez No

    692286

    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

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Gıda ve Tarım Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURAK YILMAZ

  4. Tez No

    880104

    Derin pekiştirmeli öğrenme yöntemi ile görüntü hash kodlarını oluşturma

    Generating image hash codes with deep reinforcement learning method

    ELİF AKKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURHAN BARAKLI

  5. Tez No

    747198

    Touch gestures classification by deep learning methods

    Dokunma hareketlerinin derin öğrenme yöntemleri ile sınıflandırılması

    IRMAK EGE

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Makine Mühendisliğiİzmir Yüksek Teknoloji Enstitüsü

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ KEREM ALTUN

Geri Dön