Güç sisteminin yük talep tahmini için derin öğrenme yaklaşımı

Bu çalışma, elektrik şebekelerinin yönetimi ve planlamasında kritik bir bileşen olan güç sistemlerinin yük taleplerinin kesin tahmin edilmesi için özelleştirilmiş bir derin öğrenme metodolojisini sunmaktadır. Tezimizin odak noktası, geleneksel makine öğrenme algoritmaları ve özellikle Uzun Kısa Süreli Bellek (UKSB) ağı olmak üzere bir derin öğrenme modeli de dahil olmak üzere birkaç regresyon modelinin performanslarının karşılaştırılması üzerinedir. Modellerin performansları, Ortalama Mutlak Hata (OMH), Ortalama Kare Hata (OKH), Kök Ortalama Kare Hata (KOKR) ve LSTM modeli hariç tümü için Kök Ortalama Mutlak Hata (KOMH) ve kayıplar olmak üzere çeşitli metrikler temelinde değerlendirilmiştir. Bulgularımız, UKSB modelinin geleneksel regresyon tekniklerini önemli ölçüde aştığını, 2.1351 OMH ve 3.8831 OKH değerleriyle, diğer modeller için kaydedilenlerden önemli ölçüde daha düşük metrikler elde ettiğini göstermektedir. Bu, UKSB'in güç yük talebi tahminindeki karmaşıklık ve değişkenliği ele almadaki üstün yeteneğini vurgulamaktadır. Bu çalışma, derin öğrenmenin, özellikle UKSB ağlarının, güç yük talebi tahminindeki doğruluk ve güvenilirliği artırma potansiyelini vurgulamaktadır. Böyle ilerlemeler, enerji sistemlerinin işletilmesi ve verimliliğinin optimizasyonu için hayati öneme sahiptir, daha iyi enerji yönetimini kolaylaştırır ve elektrik şebekelerinin genel istikrarına katkıda bulunmaktadır