DALGA DÖNÜŞÜMÜ ENTEGRELI DERIN ÖĞRENME KULLANILARAK ÖNGÖRÜLEMEYEN OLAYLARI İÇEREN ELEKTRIK TÜKETIMI TAHMINI
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: HISHAM ALNOUR ADAM HAMZA
Asıl Danışman (Eş Danışmanlı Tezler İçin): Ali Ajder
Eş Danışman: Ramazan Ayaz
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Zaman serisi verilerinin tahmini, özellikle öngörülemeyen olayların varlığında, ekonomi, sağlık ve enerji gibi birçok alanda büyük bir zorluk teşkil etmektedir. Bu tezde, elektrik talebini tahmin etmek için dalgacık entegrasyonlu hibrit bir derin öğrenme modeli sunulmuştur. Bu model, LSTM ağlarını ve XGBoost algoritmasını birleştirmektedir. Çalışmada, ani ve yıkıcı olayların enerji talep desenleri üzerindeki etkilerini incelemek amacıyla COVID-19 pandemisi bir vaka çalışması olarak kullanılmıştır. Önerilen yaklaşım, zaman serisi verilerini farklı frekans bileşenlerine ayırmak için Ayrık Dalgacık Dönüşümü DWT kullanmakta ve modelin hem kısa vadeli hem de uzun vadeli eğilimlere karşı daha duyarlı olmasını sağlamaktadır. Bu güçlü hibrit model, sıralı verilerden zamansal bağımlılıkları öğrenen bir LSTM bileşeni ile artık hataları düzelten ikinci bir XGBoost bileşenini bir araya getirmektedir. Araştırmada kullanılan veri seti, IEEE Dataport'tan alınmış olup, Mart 2017 ile Kasım 2020 tarihleri arasındaki saatlik elektrik tüketim verileri ve meteorolojik değişkenleri içermektedir. Bu veri aralığı, COVID-19 öncesi ve sonrası dönemleri kapsamaktadır. Deneysel sonuçlar, bu hibrit LSTM-XGBoost modelinin yalnızca LSTM modellerine kıyasla daha iyi bir performans sergilediğini ortaya koymuştur. Modelin başarım ölçütleri sırasıyla MAE 19.875,15; RMSE 26.595,62; MAPE 1,78\% ve WI 0,98 olarak hesaplanmıştır. Model, COVID-19 pandemisi gibi ani değişimlere karşı dayanıklılık göstermekte ve günün farklı saatlerinde değişen performans sergilemekte olup, sabah ve öğleden sonraki tahminlerde daha yüksek doğruluk elde edilmiştir. Dalgacık ayrıştırmasının hibrit derin öğrenmeyle entegrasyonu, dalgalı ve belirsiz ortamlar için ölçeklenebilir bir çerçeve sunmaktadır. Bu çalışmanın sınırlılıkları arasında tatil verilerinin eksikliği ve potansiyel arz kaynaklı kesintiler yer almakta olup, gelecekteki çalışmalar için gerçek zamanlı veri entegrasyonu ve uyarlanabilir yeniden eğitme yöntemlerinin kullanılması önerilmektedir.