Çok boyutlu hibrit CNN-LSTM modeli kullanarak elektrik tüketim verilerinden tarife grubu sınıflandırması

Bu tez çalışmasında, elektrik tüketim verilerinden yola çıkarak tüketicilerin ait oldukları tarife grubunu tahmin eden bir model geliştirmeyi hedeflenmiştir. Akıllı şebekelerin yaygınlaşması sonucunda, enerji arz ve talebinin dengelenmesinde, maliyet etkinliğinin sağlanmasında ve tüketici davranışlarını yönlendirmede, şebeke unsurlarının doğru şekilde analiz edilmesi gerekmektedir. Bu analizler Talep Tarafı Yönetimi (DSM) gibi akıllı şebeke bileşenlerinin doğru çalışması hususunda önemlidir. Tezin başlangıç bölümlerinde enerji tüketiminin genel bir çerçevesi çizilmiş, modern toplumların ekonomik büyüme ve sürdürülebilir kalkınmasındaki önemi vurgulanmıştır. Çalışmada, yenilikçi bir yaklaşımla derin öğrenme yöntemleri ile tüketim verileri sınıflandırma yapmak amacı ile Konvolüsyonel Sinir Ağları (CNN) ve Uzun Kısa Süreli Bellek (LSTM) modelleri önerilmektedir. CNN sayesinde zaman serilerine iki boyutlu bakış açısı ile ilişkisel özellikler artırılmış, LSTM ile uzun dönemli bağımlılıkları öğrenme yeteneği sayesinde verinin zamansal özellikler çıkarılmıştır. İki yöntem bir araya getirilerek karmaşık zaman serisi verileri analiz edilmiştir. Bu hibrit model, elektrik tüketiminde farklı tarifeler arasındaki sınıflandırmayı daha hassas ve doğru bir şekilde yapabilmektedir. Çalışmada kullanılan veri seti, Afyonkarahisar ilinden beş farklı tarife grubuna ait yıllık tüketim verilerini içermekte ve zamana bağlı olarak aktif, indüktif ve kapasitif tüketim ölçümlerini kapsamaktadır. Verilerin işlenmesi sürecinde, anormallikleri gidermek ve eksik değerleri tamamlamak için z-skoru gibi istatistiksel teknikler uygulanmış ve zaman serileri belirli bir boyuta getirilmiştir. Önerilen yöntem ile diğer derin öğrenme modelleri ile karşılaştırma yapıldığında önerilen modelin %87,83 eğitim, %82,37 test doğruluğu değerleri ile daha iyi sonuç verdiği çıkarılmıştır. Sonuç olarak, tezin bulguları, elektrik tüketimi verilerinden elde edilen sınıflandırmaların, kullanıcı davranışlarının analizinde ve tarife tahmininde yüksek doğruluk sağladığını ortaya koymuştur. Bu modelin, enerji dağıtım şirketlerinin müşteri segmentasyonu, talep tahmini ve talep tarafı yönetimi (DSM) gibi stratejik alanlarda kullanılabileceği ve akıllı şebeke uygulamalarına katkı sağlayabileceği belirtilmiştir. Tez, ayrıca, enerji planlamasının ve arz-talep dengesinin sürdürülebilir şekilde yönetilmesinde önemli bir araç olarak değerlendirilmektedir.