Derin öğrenme tabanlı yenilenemez enerji tüketim ve fiyat tahmini: Model geliştirme ve uygulama
Deep learning based non-renewable energy consumption and price forecasting: Model development and implementation
- Tez No: 984134
- Danışmanlar: DOÇ. DR. MUAMMER TÜRKOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Samsun Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, ham petrol fiyat tahmini ve doğal gaz tüketim tahmini için konvolüsyonel sinir ağları (CNN), çift yönlü uzun-kısa süreli bellek (BiLSTM) ve çok başlı dikkat mekanizmalarını birleştiren hibrit derin öğrenme modelleri geliştirerek enerji tahmin alanına önemli katkılar sunmaktadır. Enerji, modern toplumların ekonomik ve sosyal altyapısının temel taşlarından biri olup, ham petrol ve doğal gaz gibi yenilenemez kaynaklara olan talep hızla artmaktadır; bu nedenle petrol fiyatlarının ve doğal gaz tüketiminin doğru tahmin edilmesi yatırımcılar, politika yapıcılar ve enerji yöneticileri için stratejik bir gerekliliktir. Geleneksel ekonometrik modeller (ARIMA, GARCH, VAR) kısa vadeli dalgalanmalarda faydalı olmakla birlikte, enerji fiyatlarının ve tüketim eğilimlerinin doğrusal olmayan davranışlarını, jeopolitik krizleri ve beklenmedik piyasa hareketlerini tam olarak yansıtmada yetersiz kalmakta; bu boşluğu doldurmak üzere makine öğrenmesi ve derin öğrenme teknikleri literatürde giderek daha fazla ilgi görmektedir. Ancak mevcut çalışmalarda hiperparametre optimizasyonunun ihmal edilmesi, hibrit modellerin sinerjik kullanımına yeterince odaklanılmaması ve modellerin açıklanabilirliğinin göz ardı edilmesi gibi önemli boşluklar bulunmaktadır. Bu tez kapsamında, ham petrol fiyat tahmini için CNN-BiLSTM-Attention hibrit mimarisi geliştirilmiş ve R²=0.9905 gibi literatürdeki en yüksek performans değerlerinden birine ulaşılmıştır; çok ölçekli konvolüsyonel katmanlar farklı zaman ölçeklerindeki örüntüleri, BiLSTM uzun vadeli bağımlılıkları, dikkat mekanizması ise kritik zaman adımlarını başarıyla yakalamış, SHAP analizi ile modelin şeffaflığı artırılarak jet yakıtı ve benzin gibi enerji türevlerinin en etkili değişkenler olduğu gösterilmiştir. Doğal gaz tüketim tahmini çalışmasında ise Tree-Structured Parzen Estimator (TPE) algoritması ile hiperparametreler otomatik olarak optimize edilmiş CNN tabanlı model R²=0.9894 performansına ulaşmış, SHAP analizi mevsimsellik faktörünün %45.44 ile en yüksek katkıyı sağladığını ortaya koymuştur. Her iki model de yüksek tahmin doğruluğu, model açıklanabilirliği ve sistematik hiperparametre optimizasyonu sunarak literatüre önemli katkılar sağlamış olup, enerji piyasalarında karar vericilere, yatırımcılara ve politika yapıcılara değerli öngörü araçları sunmakta ve sürdürülebilir enerji yönetimi için stratejik destek sağlamaktadır.
Özet (Çeviri)
This thesis study contributes significantly to the field of energy forecasting by developing hybrid deep learning models that combine convolutional neural networks (CNN), bidirectional long short-term memory (BiLSTM), and multi-head attention mechanisms for crude oil price forecasting and natural gas consumption forecasting. Energy is one of the cornerstones of the economic and social infrastructure of modern societies, and demand for non-renewable resources such as crude oil and natural gas is rapidly increasing; therefore, accurately forecasting oil prices and natural gas consumption is a strategic necessity for investors, policymakers, and energy managers. While traditional econometric models (ARIMA, GARCH, VAR) are useful for short-term fluctuations, they fall short in fully reflecting the nonlinear behavior of energy prices and consumption trends, geopolitical crises, and unexpected market movements. To fill this gap, machine learning and deep learning techniques are gaining increasing attention in the literature. However, existing studies have significant gaps, such as neglecting hyperparameter optimization, insufficient focus on the synergistic use of hybrid models, and disregard for model interpretability. Within the scope of this thesis, a CNN-BiLSTM-Attention hybrid architecture was developed for crude oil price forecasting and achieved one of the highest performance values in the literature, R²=0.9905; multi-scale convolutional layers capture different scales of the data, while the attention mechanism enhances the model's ability to capture the underlying patterns. SHAP analysis was used to increase the model's transparency, demonstrating that energy derivatives such as jet fuel and gasoline are the most effective variables. In the natural gas consumption estimation study, the CNN-based model, with its hyperparameters automatically optimized using the Tree-Structured Parzen Estimator (TPE) algorithm, achieved an R²=0.9894 performance, and SHAP analysis revealed that the seasonality factor contributed the most at 45.44%. Both models have made significant contributions to the literature by offering high prediction accuracy, model interpretability, and systematic hyperparameter optimization. They provide valuable forecasting tools for decision-makers, investors, and policymakers in energy markets and offer strategic support for sustainable energy management.
Benzer Tezler
- Güneş paneli kusurlarının derin öğrenme tabanlı sınıflandırılması
Classification of solar panels defects based on deep learning
SEBAHATTİN YİĞİT LERMİ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUĞBA ÖZGE ONUR
- Evrişimsel sinir ağı destekli şerit takip sistemi tasarımı
Design of lane detection system supported by convolutional neural network
TALHA ÇELİK
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM ALPASLAN ALTUN
- Grafik tasarım programı lisans eğitimine yönelik temel tipografi dersi önerisi
Basic typography course proposal for undergraduate graphic design education
SELEN BAŞER NEJAT
Sanatta Yeterlik
Türkçe
2017
Eğitim ve ÖğretimMimar Sinan Güzel Sanatlar ÜniversitesiGrafik Tasarımı Ana Sanat Dalı
PROF. AYŞEGÜL İZER
- Derin öğrenme tabanlı yüz ayırt etme ve tanıma
Deep learning based face detecti̇on and recognition
EMİNE CENGİL
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AHMET ÇINAR
- Derin öğrenme tabanlı adli analiz uygulamaları
Deep learning based forensic applications
AHMET GÖKHAN POYRAZ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiBursa Uludağ ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET EMİR DİRİK