Derin öğrenme modelleriyle elektrik tüketimi tahmini

Nüfus artışı, sanayileşme ve teknolojik gelişmelerdeki eğilimler, küresel elektrik tüketiminde önemli bir artışa neden olmaktadır. Yenilenebilir enerji kaynaklarında önemli ilerlemeler kaydedilirken, sınırlı ve çevresel kaygılara neden olan fosil yakıtları hâlâ elektrik üretiminin birincil kaynağı olmaya devam etmektedir. Bu sorunun üstesinden gelmek ve enerji kullanımını optimize etmek için elektrik talebinin doğru tahmin edilmesi oldukça önemlidir. Bu nedenle bu tez çalışmasında, kısa vadeli (gelecek 24 saat) elektrik tüketimi tahmini için uzun kısa süreli bellek (LSTM) ağı, evrişimli sinir ağı (CNN) ve bu mimarileri birleştiren topluluk öğrenimi temelli derin öğrenme modelleri önerilmektedir. Modeller yalnızca elektrik tüketimi verilerini değil, aynı zamanda sıcaklık, bağıl nem ve rüzgar hızı gibi ilgili meteorolojik parametreleri ve zaman damgaları da dahil olmak üzere ek öznitelikler kullanmaktadır. Modellerin eğitimi ve değerlendirilmesi için coğrafi olarak farklı iki bölgeden alınan yaklaşık 2,5 yıllık saatlik elektrik tüketim, meteoroloji ve zaman damgası verileri kullanılmıştır. Kapsamlı deneysel çalışmalar, söz konusu modellerin uygun öznitelik kümeleriyle eğitilmeleri halinde, elektrik tüketimi tahminine yönelik normalleştirilmiş kök ortalama kare hata (N-RMSE) değerini "0,16", normalleştirilmiş ortalama mutlak hata (N-MAE) değerini "0,13" ve ortalama mutlak yüzde hata (MAPE) değerini "%4,05" seviyesine kadar düşürebileceğini ortaya koymuştur. Sonuç olarak, bu tez çalışması, elektrik tüketimi tahmini için etkili modeller sunmasının yanı sıra meteorolojik özniteliklerin tahmin performansı üzerindeki etkisine ilişkin değerli bilgiler de vermektedir. Bu katkılar, daha doğru ve gürbüz tahmin yöntemlerinin geliştirilmesine yönelik gelecekteki araştırmalara rehberlik edebilecektir.