The sectoral electricity load forecasting by using deep learning techniques

Basit Öğe Kaydı
dc.contributor.advisorDemirdelen, Tuğçe
dc.contributor.advisorAksu, İnayet Özge
dc.contributor.authorYavuzdeğer, Abdurrahman
dc.date.accessioned2025-01-06T17:11:35Z
dc.date.available2025-01-06T17:11:35Z
dc.date.issued2024
dc.departmentEnstitüler, Lisansüstü Eğitim Enstitüsü, Elektrik-Elektronik Mühendisliği Anabilim Dalı
dc.descriptionLisansüstü Eğitim Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
dc.description.abstractElektrik 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.
dc.description.abstractForecasting of electricity load is a critical issue because of the increasing global demands for energy and the need for its efficient management in grids. This study aims to utilize Deep Learning (DL) models, including Long Short-Term Memory (LSTM), Convolutional Neural Network (CNN), and a hybrid CNN-LSTM model, for forecasting electricity load. Monthly data from 2016 to 2023 is used to predict the electricity load in the provinces of Adana, Mersin, and Antalya in different sectors, concerning lighting, residential, industry, agriculture, commercial, and total load. The Matlab/Simulink model has been used to observe the 24-hour electrical load profile. The main contribution of the thesis is to examine and propose a comparative analysis of DL approaches and their hybrid applications. Comparison results illustrated noteworthy information in terms of the effectiveness of DL models in capturing complex patterns, which focused on the importance of DL models in strategic energy planning. It was concluded that concerning Root Mean Square Error (RMSE), R2, Mean Absolute Percentage Error (MAPE), and Mean Absolute Error (MAE), the hybrid model provides superiority to the LSTM and CNN models. The results show that the capability of CNN-LSTM hybrid models in capturing the temporal dynamics of sectoral electricity loads is more effective than the LSTM and CNN as the case.
dc.identifier.endpage140
dc.identifier.startpage1
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=usXiZIM9Lp0wk-YzRoaT-3bbPa7SsENx1gyLL3NXdhn2yYhCF4mUlR_xpKft6W_N
dc.identifier.urihttps://hdl.handle.net/20.500.14669/102
dc.identifier.yoktezid884051
dc.language.isoen
dc.publisherAdana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_20241211
dc.subjectElektrik ve Elektronik Mühendisliği
dc.subjectElectrical and Electronics Engineering
dc.titleThe sectoral electricity load forecasting by using deep learning techniques
dc.title.alternativeDerin öğrenme teknikleri kullanılarak sektörel elektrik yük tahmini
dc.typeDoctoral Thesis

Dosyalar

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu