Derin ve hafızalı öğrenme yöntemleriyle elektrik enerjisi talep tahmini
Electric energy demand forecasting with deep and memory-based learning methods
- Tez No: 999836
- Danışmanlar: PROF. DR. YAKUP DEMİR
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Makinaları Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elektrik enerjisi talep tahmini üretim planlamasının, iletim ve dağıtım sistemleri işletiminin, piyasa teklif süreçlerinin ve talep tarafı yönetiminin merkezinde yer almaktadır. Yüksek tahmin doğruluğu; üretim kapasitesinin doğru şekilde planlanmasını, dengesizlik maliyetlerinin azaltılmasını, kesinti riskinin düşürülmesini ve karbon emisyonlarının sınırlandırılmasını mümkün kılar. Elektrik enerjisinin depolanabilirliğinin sınırlı olması, özellikle kısa vadeli talep tahminlerinin doğruluğunu güç sistemleri açısından daha da önemli hale getirmektedir. Bu tez çalışmasının amacı, hafızalı yapılara sahip derin öğrenme tabanlı yöntemler kullanılarak elektrik enerjisi talep tahmininde, tahmin doğruluğunu artırmaya yönelik yeni modelleme yaklaşımları geliştirmektir. Tez kapsamında elektrik enerjisi talep tahmini problemi iki farklı veri ölçeği ve mimari tasarım yaklaşımı üzerinden ele alınmıştır. İlk olarak, bireysel kullanıcı düzeyindeki talep verileri kullanılarak CNN ve LSTM yapılarını birleştiren hibrit bir CNN-LSTM modeli geliştirilmiş ve girdi örnek uzunluğunun kısa vadeli çok adımlı tahmin performansı üzerindeki etkisi analiz edilmiştir. İkinci olarak, toplu kullanıcı düzeyindeki talep verileri kullanılarak zaman serilerinin farklı temsillerini birlikte işleyen GAF tabanlı paralel CNN+LSTM mimarisi önerilmiştir. Bu kapsamda, bir boyutlu zaman serisi temsilleri ile iki boyutlu görüntü tabanlı temsillerin birlikte kullanılmasının tahmin doğruluğu üzerindeki etkileri değerlendirilmiştir. Bu tez kapsamındaki çalışmalar gerçek dünya veri setleri üzerinde gerçekleştirilmiştir. Elde edilen bulgular, girdi örnek uzunluğu seçiminin ve zaman serisi örneklerinin iki boyutlu temsil biçiminin, kısa vadeli çok adımlı tahminlerde tahmin performansını belirgin biçimde iyileştirdiğini göstermektedir. Sonuç olarak, uygun tasarım tercihleriyle derin ve hafızalı modellerin elektrik enerjisi talep tahmininde tutarlı ve yüksek doğrulukta tahminler üretebildiği ortaya konmuştur.
Özet (Çeviri)
Electrical energy demand forecasting lies at the core of production planning, the operation of transmission and distribution systems, market bidding processes, and demand-side management. High forecasting accuracy enables the proper planning of generation capacity, the reduction of imbalance costs, the mitigation of outage risks, and the limitation of carbon emissions. The limited storability of electrical energy makes the accuracy of short-term demand forecasts even more critical for power systems. The aim of this thesis is to develop new modeling approaches to improve forecasting accuracy in electrical energy demand forecasting by using deep learning-based methods with memory structures. Within the scope of the thesis, the electrical energy demand forecasting problem is addressed through two different data scales and architectural design approaches. First, a hybrid CNN-LSTM model combining CNN and LSTM structures is developed using individual user-level demand data, and the effect of input sample length on short-term multi-step forecasting performance is analyzed. Second, using aggregate user-level demand data, a GAF-based parallel CNN+LSTM architecture that jointly processes different representations of time series is proposed. In this context, the effects of jointly using one-dimensional time series representations and two-dimensional image-based representations on forecasting accuracy are evaluated. The studies within the scope of this thesis were conducted using real-world datasets. The obtained findings show that the selection of input sample length and the two-dimensional representation of time series samples markedly improve forecasting performance in short-term multi-step forecasting. Consequently, it has been demonstrated that, with appropriate design choices, deep and memory-based models can produce consistent and highly accurate forecasts in electrical energy demand forecasting.
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
- Feasibility analysis based on advanced deep learning techniques in integrating renewable energy resources into microgrids
Yenilenebilir enerji kaynaklarının mikroşebekelere entegre edilmesinde gelişmiş derin öğrenme tekniklerine dayalı uygulanılabilirlik analizi
FATHI FARAH FADOUL FATHI FARAH FADOUL
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. RAMAZAN ÇAĞLAR
- Deep learning aided data detectionfor future wireless communication systems
Gelecek nesil telsiz haberleşme sistemleri içinderin öğrenme yardımıyla data tespiti
MERVE TURHAN
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Prediction of pore pressure and deviatoric stress generation for liquefiable soils under cyclic loading using machine learning
Sıvılaşabilen zeminlerde dinamik yükleme durumunda boşluk suyu basıncı ve deviatorik gerilme değişiminin makine öğrenmesi yöntemleriyle tahmin edilmesi
ÖMER TUĞŞAD BİRİNCİ
Yüksek Lisans
İngilizce
2024
Deprem Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET BARIŞ CAN ÜLKER
- Derin öğrenme yöntemleriyle medikal görüntü sınıflandırma
Medical image classification with deep learning methods
ZEYNEP CANTEMİR
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HACER KARACAN