Derin öğrenme ile elektrik dağıtım şebekelerinde tüketim tahminleri analizi

Bu tez, enerji tüketim tahminlerinin doğruluğunu ve verimliliğini artırmayı amaçlayan derin öğrenme modellerinin kullanımını incelemektedir. Elektrik dağıtım şebekelerinin etkin yönetimi, sürdürülebilir enerji kaynaklarının entegrasyonu ve talep yönetimi gibi konularda bu tekniklerin nasıl faydalı olabileceği araştırılmaktadır. Tez, elektrik tüketim tahminlerinin doğruluğunu artırarak, enerji maliyetlerini optimize etmek, yenilenebilir enerji kullanımını artırmak ve enerji kayıplarını azaltmak için öneriler sunmaktadır. Ayrıca, derin öğrenme ve yapay zeka teknolojilerinin enerji sistemlerinin daha verimli ve sürdürülebilir hale getirilmesindeki potansiyeli vurgulanmaktadır. Çalışmada elektrik tüketim tahminlerinde kullanılan dört popüler derin öğrenme modeli olan Uzun Kısa Süreli Bellek (LSTM), Çok Katmanlı Algılayıcılar (MLP), Tekrarlayan Sinir Ağları (RNN), Kapı Kontrollü Tekrarlayan Birimler (GRU) ve Transformer Derin Öğrenme Modeli yöntemleri incelenmiş ve elde edilen sonuçlar neticesinde RNN modelinin diğerlerine göre daha yüksek tahmin başarısı sergilediği tespit edilmiştir. Anahtar Kelimeler: Çok katmanlı algılayıcılar, derin öğrenme, elektrik tüketimi, hava durumu, kapı kontrollü tekrarlayan birimler, tekrarlayan sinir ağları, uzun kısa süreli bellek