Akademik Veri Yönetim Sistemi
Tez Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen-Edebiyat Fakültesi, İstatistik Bölümü, Türkiye
Tez Danışmanı: Fatma Noyan Tekeli
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Günümüzde elektrik enerjisi, modern dünyanın sürdürülebilirliği bakımından temel bir ihtiyaç haline gelmiştir. Bu doğrultuda, doğru ve güvenilir tahminler yapabilmek, arz ve talep dengesinin sağlanması, maliyet optimizasyonu ve enerji politikalarının geliştirilmesinde önemli bir rol oynamaktadır. Derin öğrenme alanındaki hızlı gelişmeler zaman serisi verilerinin tahmininde büyük ilgi uyandırmıştır. Her ne kadar geleneksel zaman serisi yöntemlerinden daha başarılı sonuçlar elde edilse de tek bir derin öğrenme modelinin karmaşık zaman serisi verilerinde her zaman yeterli olmadığı görülmüştür. Bu eksiklikten yola çıkılarak, bu tez çalışmasında Geçitli Tekrarlayan Birim (Gated Recurrent Unit- GRU) ve Çift Yönlü Uzun Kısa Vadeli Bellek (Bidirectional Long ShortTerm Memory- BiLSTM) modellerini birlikte kullanarak hibrit bir derin öğrenme modeli önerilmiştir. Çalışmada farklı hiperparametreler denenmiş olup optimal sonuçları elde eden parametre sayıları ile analizler yapılmıştır. Çalışmada, 2020-2024 yıllarına ait Türkiye'de toplanan saatlik elektrik tüketim verisi ele alınmıştır. İlgili veri kümesi günlük ölçeğe dönüştürülerek tahminleme süreci günlük düzeyde yapılmıştır. Önerilen hibrit derin öğrenme modelinin performansı, klasik derin öğrenme modelleri ile ortalama karekök hata (Root Mean Square Error- RMSE), determinasyon katsayısı (Coefficient of Determination- R 2 ), ortalama mutlak hata (Mean Absolute Error – MAE) ve Ortalama mutlak yüzde hata (Mean Absolute Percentage Error- MAPE) metrikleri kullanılarak karşılaştırılmıştır. GRU-BiLSTM modeli için RMSE, 𝑅 2 , MAE ve MAPE değerleri sırasıyla 1427.0374, 0.9011, 890.2839 ve 2.3707 şeklinde sonuçlanmıştır. Elde edilen bulgulara göre, önerilen hibrit model geleneksel derin öğrenme modellerine kıyasla daha yüksek doğruluk göstermiş ve daha düşük hata oranları sağlamıştır.