Makine öğrenimi ve bayesçi sinir ağları ile enerji talep tahmini: belirsizlik yönetimi ve model performans analizi
Energy demand forecasting with machine learning and bayesian neural networks: Uncertainty management and model performance analysis
- Tez No: 989204
- Danışmanlar: DR. ÖĞR. ÜYESİ FATİH TEMİZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bayes teorisi, Elektrik tüketimi, Güç tüketimi, Yapay sinir ağları, Bayes theory, Electric consumption, Power consumption, Artificial neural networks
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde enerji tüketiminin öngörülmesi, enerji arz güvenliği, şebeke yönetimi ve sürdürülebilir enerji politikalarının oluşturulması açısından kritik bir öneme sahiptir. Ancak, enerji tüketimi birçok değişkenden etkilenmekte ve tahminlerde çeşitli belirsizlikler ortaya çıkmaktadır. Bu nedenle, belirsizliğin modellenmesi ve tahmin doğruluğunun artırılması için güçlü algoritmaların kullanımı gerekmektedir. Bu çalışmanın temel amacı, enerji tüketim verilerini kullanarak farklı tahmin modellerinin performansını karşılaştırmak ve belirsizliği dikkate alan olasılıksal modellerin etkinliğini incelemektir. Çalışmada, klasik makine öğrenimi algoritmalarının yanı sıra, belirsizlikleri modelleyebilen Bayesçi yöntemlerin enerji tahmininde sağladığı avantajlar değerlendirilmiştir. Bu kapsamda, tahmin doğruluğu ve güven aralıkları analiz edilerek model seçiminde önemli kriterler belirlenmiştir. Araştırmada, Türkiye Elektrik Piyasası Şeffaflık Platformu'ndan alınan saatlik elektrik tüketim verileri ile OpenWeather hava durumu verileri kullanılmıştır. Modelleme sürecinde, CatBoost, XGBoost, LightGBM ve Random Forest gibi güçlü makine öğrenimi algoritmalarının yanı sıra, belirsizlik modellemesi yapabilen Bayesçi Sinir Ağları kullanılmıştır. Korelasyon analizleri ile değişkenler arasındaki ilişkiler incelenmiş, model performansları doğruluk metrikleri ve belirsizlik tahminleri açısından karşılaştırılmıştır. Elde edilen bulgular, BNN'nin tahmin doğruluğunu artırarak enerji talep tahmininde belirsizliği daha iyi yönettiğini göstermektedir. Ayrıca, gradyan artırma algoritmalarının enerji tüketim tahmininde yüksek başarı sağladığı belirlenmiştir. Bu durum, enerji tahmininde daha esnek ve güçlü modellerin kullanılmasının gerekliliğini ortaya koymaktadır.
Özet (Çeviri)
Today, forecasting energy consumption is critical for energy supply security, grid management and sustainable energy policies. However, energy consumption is affected by many variables and various uncertainties arise in forecasts. Therefore, robust algorithms need to be used for modelling uncertainty and improving forecast accuracy. The main objective of this study is to compare the performance of different forecasting models using energy consumption data and to examine the effectiveness of probabilistic models that take uncertainty into account. In addition to classical machine learning algorithms, the advantages of Bayesian methods that can model uncertainty in energy forecasting are evaluated. In this context, important criteria for model selection are determined by analysing prediction accuracy and confidence intervals. In the study, hourly electricity consumption data from the Turkish Electricity Market Transparency Platform and OpenWeather weather data are used. In the modelling process, powerful machine learning algorithms such as CatBoost, XGBoost, LightGBM and Random Forest as well as Bayesian Neural Networks capable of uncertainty modelling were used. The relationships between variables were analysed by correlation analyses and model performances were compared in terms of accuracy metrics and uncertainty estimation. The findings show that BNN better manages uncertainty in energy demand forecasting by increasing the forecasting accuracy. In addition, gradient boosting algorithms were found to provide high success in energy consumption forecasting. This suggests the necessity of using more flexible and robust models in energy forecasting.
Benzer Tezler
- Tungsten-183 ve kromyum-52 izotoplarının (n,2n) reaksiyonlarıyla üretiminin tesir kesiti için makine öğrenimi tahminleri
Machine learning predictions for the production of tungsten-183 and chromium-52 isotopes by (n,2n) reactions
ERCÜMENT ÇAVUŞOĞLU
Yüksek Lisans
Türkçe
2025
Giresun ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Physics-informed learning of interpretable surrogates for modeling and control
Modelleme ve kontrol için yorumlanabilir vekil dinamiklerin fizik bilgili öğrenimi
MURAT FURKAN MANSUR
Yüksek Lisans
İngilizce
2026
İstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Fall detection and classification using wearable motion sensors
Giyilebilir hareket algılayıcılarıyla düşme sezimi ve sınıflandırması
MUSTAFA ŞAHİN TURAN
Yüksek Lisans
İngilizce
2017
İhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
- Bayesçi gizli sınıf analizi ve makine öğrenimi yöntemleri ile CRISPR Cas9 gen düzenlemesinde hedef dışı skorların tahmini
Prediction of off-target scores in CRISPR Cas9 gene editing with Bayesian latent class analysis and machine learning methods
ALİ MERTCAN KÖSE