Tokat gaziosmanpaşa ünıversitesi hastanesi için hibrit derin öğrenme (CNN-LSTM) modeli ile enerji talep tahminlemesi

Her geçen gün sanayileşme ve büyümeye eşdeğer olarak elektrik üretim ve tüketimin değişeceği görülmektedir. Geleceğe yapılacak olan tüm yatırımlar, planlamalar geleceği doğru tahminlemekle olacaktır. Gelecekteki elektrik tüketimimizin tahmin doğruluğu da, doğru planlamayı destekleyecektir. Elektrik enerjisi planlaması, elektriğin üretiminden son kullanıcıya ulaşana kadar tüm maliyetleri minimize etmeyi, güç sistemlerinin verimliliğini artırmayı, sistemin güvenilirliğini güçlendirmeyi ve elektrik enerjisinin en yüksek kaliteyle tüketiciye sunulmasını sağlamayı amaçlar. Bu süreçlerin önemli bir aşaması, gelecekteki elektrik talebini yüksek doğruluk oranıyla tahmin etmektir. Bu tez çalışmasında, Tokat Gaziosmanpaşa Üniversitesi Hastanesi'nin son beş yıllık saatlik elektrik tüketim verileri ile sıcaklık ve nem gibi meteorolojik parametreler toplanmıştır. Bu veriler, elektrik talebinin daha doğru bir şekilde tahmin edilmesine yönelik analizlerde kullanılmıştır. Çeşitli istatistiksel analiz, matematiksel analiz, makine ög˘renmesi ve onun alt alanı olan derin ög˘renme yöntemleri, zaman serisi verilerini analiz etmek ve gelecek tahmini yapabilmek için kullanılmaktadırlar. Giderek popülerliği artan derin öğrenme yöntemi ile zaman serisi problem çözümlerinde geleneksel yöntemlere göre daha başarılı olmuş ve kullanımı artmaktadır. Bu çalışmada, tahmin yöntemlerine odaklanarak Colab kütüphanesi programında derin öğrenme teknikleri kullanılarak kısa dönemli talep tahmini yöntemi geliştirilmiştir. Geliştirilen yöntem Tokat Gaziosmanpaşa Üniversitesi Hastanesi'nde uygulanmış ve elde edilen sonuçlar analiz edilmiştir.