Yazar "Aksu, İnayet Özge" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • [ X ]
    Öğe
    Carbon dioxide emissions prediction using meta-heuristic methods for renewable and non-renewable sources' applications
    (Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi, 2022) Aksu, İnayet Özge; Demirdelen, Tuğçe
    Karışık Kurbağa Sıçrama Algoritması (SFLA), 2003 yılında önerilmiş doğa esinli ve sürü tabanlı bir metasezgisel algoritmadır. SFLA, belli bir popülasyondaki kurbağaların maksimum miktarda besine, minimum hareketle ulaşabilmesi için yaptıkları hareketleri konu alan bir optimizasyon algoritmasıdır. Bu tez çalışmasında ilk olarak, SFLA'nın optimum çözüme ulaşma hızını arttırmak ve lokal minimuma takılma ihtimalini en aza indirmek için hibrit bir yöntem önerilmiştir. Önerilen bu hibrit yöntemde ilk olarak, SFLA algoritmasının arama kabiliyeti Levy uçuş fonksiyonu ile arttırılmıştır. Daha sonra geliştirilen yöntem (ILSFLAFA), Ateşböceği Algoritması (FA) ile hibrit yapıda çalıştırılmıştır ve önerilen bu yöntemin başarısı Benchmark fonksiyonları ile ispatlanmıştır. Tez çalışmasının ikinci aşamasında ise yeni bir tahmin yöntemi önerilmiştir. Bu tahmin yönteminde çok katmanlı ileri beslemeli yapay sinir ağı kullanılmıştır. Yapay sinir ağı, ILSFLAFA yöntemi ile eğitilmiştir. Geliştirilen bu yeni hibrit-sürü tabanlı yapay sinir ağı (HSBNN) tahmin yöntemi, Türkiye'nin CO2 emisyon miktarının tahmini için kullanılmıştır. İlk olarak geliştirilen yöntem, 2016 yılında bu konuda yapılan tahmin çalışması ile karşılaştırılmış ve önerilen yöntemin başarısı ve etkisi gösterilmiştir. Daha sonra, önerilen HSBNN kullanılarak Türkiyenin CO2 salınımı tahmini problemi için yeni bir tahmin yöntemi geliştirilmiştir. Bu aşamada en iyi modeli bulabilmek için dört farklı tahmin modeli geliştirilmiş ve elde edilen sonuçlar incelenmiştir. Yapay sinir ağının (YSA) optimal parametreleri belirlenirken girdi değişkenleri olarak; yıl, Ar-Ge yatırımları, yenilenebilir enerjinin toplam nihai enerji tüketimi oranı, nüfus, kentleşme, motorlu taşıt sayısı, enerji tüketimi ve GSYİH kullanılmıştır. Türkiye'ye ait bu veri seti, farklı kurumlardan alınan veriler bir araya getirilerek oluşturulmuştur. Birinci tahmin modelinde, gizli katmanda bir katman kullanılmıştır. Bu yöntemin katmanlarındaki nöron sayıları 8-12-1 olarak çalışılmıştır. Diğer üç tahmin yönteminde gizli katmanda iki katman kullanılmıştır. İkinci tahmin modeline ait nöron sayıları 8-6-4-1'dir. Üçüncü ve dördüncü tahmin modelinde kullanılan yapay sinir ağına ait nöron sayıları 8-6-6-1 ve 8-8-4-1'dir. Türkiye'nin 1990-2018 yıllarına ait verileri ile yapılan bu çalışmada, 1990-2012 yıllarına ait veri seti modelin oluşturulması için kullanılırken, 2013-2018 yıllarına ait veri seti modelin test aşamasında kullanılmıştır. Çalışmanın bu aşamasında elde edilen sonuçlar detaylı şekilde verilmiş ve en iyi tahmin modeli seçilerek bir sonraki aşamaya geçilmiştir. Tez çalışmasının son aşamasında ise Türkiye'nin ileriye yönelik CO2 emisyon tahmini, üç farklı senaryoda incelenmiştir. Geliştirilen bu senaryolar; resmi kurumların yayınladığı tahminler, litaretür çalışmalarında önerilen artış oranları ve Türkiyeye ait son yıllardaki artış oranları göz önünde bulundurularak oluşturulmuştur. Türkiye'nin ileriye yönelik CO2 emisyon tahmini 2030 yılına kadar yapılmıştır. Çalışma sonunda elde edilen sonuçlar detaylı olarak tartışılmıştır ve yenilenebilir enerji kullanımının CO2 emisyon miktarındaki etkisi vurgulanmıştır. Ayrıca elde edilen sonuçlar, önerilen tahmin yönteminin ileriye yönelik tahmin gerektiren alanlarda başarılı bir şekilde uygulanabileceğini göstermektedir. Anahtar Kelimeler: yenilenebilir enerji, CO2 emisyonu, yapay sinir ağları, karışık kurbağa sıçrama algoritması, Levy uçuş fonksiyonu, ateşböceği algoritması, hibrit yapı, sürdürülebilirlik, yeşil teknoloji
  • [ X ]
    Öğe
    Time Series Installed Capacity Forecasting with Deep Learning Approach for Türkiye
    (2024) Altıparmak, Zeynep; Aksu, İnayet Özge
    Deep learning methods have been developed to solve different problems due to the complex nature of real-world problems. Accurate future forecasting of a country's installed capacity is also crucial for developing a good energy sustainability strategy for the country. In this paper, three different time series forecasting methods are used for forward forecasting of installed capacity: Gated Recurrent Unit (GRU), Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM). Installed power values for the years 1923-2021 were used in the study. Then, future forecasts are made until 2030. The GRU model achieved the best RMSE in the testing phase compared to the LSTM and CNN models. Although CNN is successful during training, it has a higher RMSE during testing compared to GRU. While all models predict a potential increase in electricity capacity by 2030, GRU and LSTM predict a more significant increase up to this point compared to CNN.