Derin öğrenme teknikleri kullanılarak sektörel elektrik yük tahmini

Elektrik yükünün tahmin edilmesi, küresel enerji talebinin artması ve enerjinin şebekelerde etkin yönetimine duyulan ihtiyaç nedeniyle kritik bir konudur. Bu çalışma, elektrik yükünü tahmin etmek için Uzun Kısa Süreli Bellek (UKSB), Evrişimsel Sinir Ağı (ESA) ve hibrit bir ESA-UKSB modelini içeren Derin Öğrenme (DÖ) modellerini kullanmayı amaçlamaktadır. 2016-2023 yılları arasındaki aylık veriler kullanılarak, aydınlatma, konut, sanayi, tarım, ticari ve toplam yük referans alınarak, Adana, Mersin ve Antalya illerinde farklı sektörlerdeki elektrik yükü tahmin edilmektedir. Matlab/Simulink modeli 24 saatlik elektriksel yük profilini gözlemlemek için kullanılmıştır. Tezin ana katkısı, DÖ yaklaşımlarının ve hibrit uygulamalarının karşılaştırmalı bir analizinin incelenmesi ve önerilmesidir. Karşılaştırma sonuçları, DÖ modellerinin stratejik enerji planlamasındaki önemine odaklanan karmaşık kalıpları yakalamada DÖ modellerinin etkinliği açısından dikkate değer bilgiler ortaya koymaktadır. Ortalama Karekök Hata (OKH), R2, Ortalama Mutlak Yüzde Hata (OMYH) ve Ortalama Mutlak Hata (OMH) açısından hibrit modellerin UKSB ve ESA modeline üstünlük sağladığı sonucuna varılmıştır. Sonuçlar, ESA-UKSB hibrit modellerinin sektörel elektrik yüklerinin zamansal dinamiklerini yakalama yeteneğinin, UKSB ve ESA'dan daha etkili olduğunu göstermektedir.