Derin öğrenme ile elektrik dağıtım şebekelerinde tüketim tahminleri analizi
Consumption estimation analysis in electricity distribution networks with deep learning
- Tez No: 979562
- Danışmanlar: DOÇ. DR. ZEKİ ORALHAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Çok katmanlı algılayıcılar, derin öğrenme, elektrik tüketimi, hava durumu, kapı kontrollü tekrarlayan birimler, tekrarlayan sinir ağları, uzun kısa süreli bellek, Multilayer Perceptrons, Deep Learning, Electricity consumption, Weather, Gated Recurrent Units, Recurrent Neural Networks, Long Short-Term Memory
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Nuh Naci Yazgan Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, enerji tüketim tahminlerinin doğruluğunu ve verimliliğini artırmayı amaçlayan derin öğrenme modellerinin kullanımını incelemektedir. Elektrik dağıtım şebekelerinin etkin yönetimi, sürdürülebilir enerji kaynaklarının entegrasyonu ve talep yönetimi gibi konularda bu tekniklerin nasıl faydalı olabileceği araştırılmaktadır. Tez, elektrik tüketim tahminlerinin doğruluğunu artırarak, enerji maliyetlerini optimize etmek, yenilenebilir enerji kullanımını artırmak ve enerji kayıplarını azaltmak için öneriler sunmaktadır. Ayrıca, derin öğrenme ve yapay zeka teknolojilerinin enerji sistemlerinin daha verimli ve sürdürülebilir hale getirilmesindeki potansiyeli vurgulanmaktadır. Çalışmada elektrik tüketim tahminlerinde kullanılan dört popüler derin öğrenme modeli olan Uzun Kısa Süreli Bellek (LSTM), Çok Katmanlı Algılayıcılar (MLP), Tekrarlayan Sinir Ağları (RNN), Kapı Kontrollü Tekrarlayan Birimler (GRU) ve Transformer Derin Öğrenme Modeli yöntemleri incelenmiş ve elde edilen sonuçlar neticesinde RNN modelinin diğerlerine göre daha yüksek tahmin başarısı sergilediği tespit edilmiştir.
Özet (Çeviri)
This thesis examines the use of deep learning models aimed at improving the accuracy and efficiency of energy consumption forecasts. It investigates how these techniques can be beneficial in areas such as the effective management of electricity distribution networks, integration of sustainable energy sources, and demand management. By enhancing the accuracy of electricity consumption predictions, the study offers suggestions for optimizing energy costs, increasing the use of renewable energy, and reducing energy losses. Moreover, it highlights the potential of deep learning and artificial intelligence technologies to make energy systems more efficient and sustainable. The study analyzes four popular deep learning models used in electricity consumption forecasting: Long Short-Term Memory (LSTM), Multilayer Perceptrons (MLP), Recurrent Neural Networks (RNN), Gated Recurrent Units (GRU), and the Transformer Deep Learning Model. Based on the results obtained, it was determined that the RNN model exhibited higher prediction accuracy compared to the others.
Benzer Tezler
- A novel artificial intelligence based energy management system for microgrids
Mikro şebekeler için yapay zeka temelli yeni bir enerji yönetim sistemi
NECATİ AKSOY
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Mikro şebekelerde derin öğrenme destekli enerji yönetimi
Deep learning assisted energy management in microgrids
HALİL ÇİMEN
Doktora
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURETTİN ÇETİNKAYA
- Elektrikli araçların kullanımına yönelik yük tahmini ve karar destek sistemi
Load forecasting and decision support system for electric vehicles use
HATİCE MENEKŞE KÖSEMEN
Yüksek Lisans
Türkçe
2024
EnerjiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. ORHAN TORKUL
- Farkli abone gruplarina ait yük profillerinden enerji tahminleme
Energy forecasting from load profiles of different subscriber groups
GAYE TÜLGEN KALE
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZAL YILDIRIM
DR. ÖĞR. ÜYESİ CEM HAYDAROĞLU
- Dağıtım şebekelerinde teknik olmayan kayıpların makine öğrenme yöntemleriyle analizi
Analysis of non-technical losses in distribution networks using machine learning methods
MAHMUT TÜRK
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HEYBET KILIÇ