Energy consumption forecasting: A deep learning approach based on A-LSTM networks

ABDEL HACK BIO BOULOU

Energy consumption forecasting: A deep learning approach based on A-LSTM networks

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: İngilizce

Öğrenci: ABDEL HACK BIO BOULOU

Danışman: Mahmude Revan Özkale Atıcıoğlu

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Ukrayna ile Rusya arasındaki jeopolitik kriz, kalıcı enflasyon, fosil yakıtların tükenmesi ve iklim acil durumu gibi faktörlerin tetiklediği küresel enerji istikrarsızlığı karşısında, enerji tüketim eğilimlerini anlamak ve öngörmek stratejik bir öncelik hâline gelmiştir. Bu tez, bu sorunu ele almak amacıyla, yapay sinir ağlarına dayalı ve daha spesifik olarak dikkat mekanizması içeren bir A-LSTM (Attention-based Long Short-Term Memory) mimarisi kullanarak, fosil ve yenilenebilir enerji kaynaklarının kısa vadeli küresel tüketimini tahmin etmeye yönelik bir model geliştirmektedir. Çalışma, 1965-2022 dönemini kapsayan ve yedi büyük dünya bölgesini içeren tarihsel verilere dayanmaktadır. Biri fosil enerji, diğeri yenilenebilir enerji için olmak üzere iki veri seti oluşturulmuştur. Her bir veri seti, yedi giriş değişkeni (bölgesel tüketim) ve bir çıkış değişkeni (küresel tüketim) içermektedir. Veriler, modele entegre edilmeden önce normalizasyon gibi yöntemler kullanılarak analiz edilmiş ve ön işleme tabi tutulmuştur. Önerilen A-LSTM modeli; bir LSTM katmanı, aşırı öğrenmeyi önlemek için bir Dropout katmanı, geçmiş zaman adımlarına ağırlık vermek için bir Attention katmanı ve nihai küresel tahmini sağlayan bir Dense katmanından oluşmaktadır. Modelin eğitimi, TensorFlow/Keras kullanılarak Google Colab ortamında, Adam optimizasyon algoritması ve EarlyStopping yöntemiyle gerçekleştirilmiştir. Model, mükemmel genelleme yetenekleri sergilemiştir. Yenilenebilir enerji için sırasıyla Ortalama Mutlak Hata 0,0002 ve Ortalama Mutlak Yüzde Hata %1,77; fosil enerji için ise 0,0006 ve %2,07 olarak elde edilmiştir. Bu model daha sonra MLP, klasik LSTM ve ARIMA-ANN gibi literatürde yer alan bazı modellerle karşılaştırılmıştır. Önerilen A-LSTM modeli bu modellerin her birinden daha iyi performans göstermiş ve dikkat mekanizmasının zaman serisi tahminlerinde sağladığı katma değeri doğrulamıştır. 2026 yılına kadar yapılan öngörüler, yenilenebilir enerji tüketiminde %5,73'lük yıllık ortalama büyüme oranıyla sürekli bir artış olduğunu; fosil enerji tüketiminin ise %0,02 ile durağan kaldığını göstermektedir. Bu durum, küresel enerji karmasında yavaş ama istikrarlı bir geçişe işaret etmektedir. Bu tez, A-LSTM modelinin enerji tahminleme alanındaki yüksek potansiyelini ortaya koymakta; doğruluğu, sağlamlığı ve uyarlanabilirliği vurgulamakta ve enerji sektöründeki politika yapıcılar ile paydaşlar için etkili bir araç sunmaktadır.