Derin öğrenme ile farklı model ve öğrenme algoritmaları kullanılarak kısa vadeli elektrik yük tüketiminin tahmini
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İnönü Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
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.
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.
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.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control, Elektrik ve Elektronik Mühendisliği
