Lstm-xgboost modeli̇ kullanilarak elektri̇k dağitim ağlarinda geli̇şti̇ri̇lmi̇ş enerji̇ talebi̇ yöneti̇mi̇

Özellikle yenilenebilir enerjinin artan entegrasyonu ve akıllı şebekelerin giderek karmaşıklaşması göz önüne alındığında, elektrik tüketiminin doğru bir şekilde tahmin edilmesi, enerji sistemlerinin güvenilirliğini, operasyonel verimliliğini ve dayanıklılığını artırmak için çok önemlidir. Bu araştırma, doğruluğu ve güvenilirliği artırmak için Uzun Kısa Süreli Bellek (LSTM) ağlarını Aşırı Gradyan Artırma (XGBoost) ile birleştiren yenilikçi çok katmanlı bir kısa vadeli elektrik yükü tahmin modeli sunmaktadır. Yaklaşım üç ana adımdan oluşmaktadır: veri temizleme ve özellik çıkarma, ayrı LSTM ve XGBoost modellerinin geliştirilmesi ve bunların birleşik bir hibrit mimariye entegre edilmesi. Bu çalışmada, 15 dakikalık aralıklarla yakalanan 2022 yılına ait yüksek çözünürlüklü yük verilerini içeren Belçika'dan Elia Grid veri seti kullanılmıştır. Hibrit model, LSTM'nin sıralı bağımlılıkları öğrenme gücünden yararlanırken, XGBoost doğrusal olmayan artık desenleri yakalayarak ve özellik önemini çıkararak katkıda bulunmuştur. Önerilen model, bağımsız LSTM ve XGBoost modellerine karşı performansını değerlendirmek için kapsamlı testlerden geçmiştir. Hibrit model, 106,54 MW'lık Kök Ortalama Kare Hatası (RMSE), %1,18'lik Ortalama Mutlak Yüzde Hatası (MAPE) ve 0,994'lük Belirleme Katsayısı (R²) ile en iyi sonuçlarını elde etmiştir. Duyarlılık analizi, geri bakma penceresi boyutunun artırılmasının model performansını iyileştirdiğini, ancak dikkat mekanizmalarının doğruluğu artırmadığını göstermiştir; bu nedenle bu mekanizmalar nihai tasarımdan çıkarılmıştır. Geleneksel modellerden daha iyi performans göstermesinin yanı sıra, önerilen çerçeve güçlü genelleştirilebilirlik, ölçeklenebilirlik ve yorumlanabilirlik göstermiş olup, gerçek zamanlı enerji yönetim sistemleri için uygun hale gelmiştir. Model, yakın zamanda geliştirilen klasik ve derin öğrenme (DL) modelleriyle karşılaştırılmış ve birden fazla veri kümesinde rekabetçi veya üstün sonuçlar göstermiştir. Bu çalışma, akıllı şebeke yönetiminde yapay zeka tabanlı uygulamaların tasarımına katkıda bulunmakta ve zaman serisi tahminleri için hibrit DL teknikleri üzerine literatürü zenginleştirmektedir. Gelecekteki araştırmalar, modeli çok bölgeli veri kümelerine genişletmeyi, hava durumu ve sosyoekonomik değişkenleri dahil etmeyi ve sistemi gerçek dünya şebeke kontrol ortamlarında uygulamayı inceleyecektir.