Türkiye'nin günlük rüzgar enerjisi üretiminin derin öğrenme ile modellenmesi
| dc.contributor.advisor | Dağalp, Rukiye | |
| dc.contributor.advisor | Ünlü, Kamil Demirberk | |
| dc.contributor.author | Tekinay, Çağatay | |
| dc.contributor.department | İstatistik | tr_TR |
| dc.date.accessioned | 2022-12-26T09:36:33Z | |
| dc.date.available | 2022-12-26T09:36:33Z | |
| dc.date.issued | 2022 | |
| dc.description.abstract | Sanayi ve teknolojideki gelişmeler ile birlikte elektriğe olan talep gün geçtikçe artmaktadır. Elektriğin depolanamaması nedeniyle üretim ve tüketim dengesini sağlayabilmek büyük önem arz etmektedir. Bu dengenin korunabilmesi ve doğru politikaların uygulanabilmesi için güçlü bir öngörüye ihtiyaç duyulmaktadır. Güçlü bir öngörüye sahip olabilmek için ise yeterli bilgiye sahip bir veri setine ve istatistiksel modellere ihtiyaç vardır. Bu çalışmada 1 Ocak 2015 tarihinden 23 Ocak 2022 tarihine kadarki TEİAŞ tarafından oluşturulmuş günlük bazda rüzgar enerjisi sayesinde üretilen elektrik yükü miktarını içeren veri seti üzerinde çalışılmıştır. Çalışmanın amacı; Türkiye'deki günlük rüzgar enerjisinden üretilen elektriğin derin öğrenme teknikleri kullanılarak tahmin modelinin oluşturulması ve gerçek değerlere yakın tahmin değerleri üretebilmektir. Derin öğrenme teknikleri birçok tahmin probleminin çözümünde etkili sonuçlar vermektedir ve derin öğrenmenin popülaritesi tüm dünyada hızla artmaktadır. Bu çalışmada ise etkili bir tahmin modeli kurabilmek için Uzun- Kısa Vadeli Bellek (LSTM), İki Yönlü Uzun- Kısa Vadeli Bellek (BLSTM), Kapılı Tekrarlayan Ağ (GRU) ve Evrişimli Sinir Ağı (CNN) algoritmaları kullanılmış ve karşılaştırılmıştır. Algoritmalar çalıştırılırken en iyi performansı tespit etmek için gecikme boyutu (lag size) ve düğüm sayısı (number of nodes) çeşitli kombinasyonlarda test edilmiştir. Önerilen dört algoritmanın performansını değerlendirebilmek için Belirleme Katsayısı , Hata Kare Ortalaması (MSE), Hata Kareler Ortalamasının Karekökü (RMSE) ve Hatanın Mutlak Ortalaması (MAE) kullanılmıştır. Test setindeki tahmin sonuçları performans metrikleri üzerinden değerlendirildiğinde CNN algoritmasının en iyi performansı gösteren algoritma olduğuna karar verilmiştir. CNN algoritmasının en iyi tahmin değeri MAE = 0.0063, MSE = 0.0001, RMSE= 0.0083, R2= 0.9986 olarak hesaplanmıştır. | tr_TR |
| dc.description.ozet | The increasing world population and the technological and industrial advancements result in an ever-growing demand for electricity. Maintaining the balance between production and consumption requires adopting new policies and using reliable predictive techniques in the absence of efficient and cost-effective methods to store electricity. Deep learning methods have been used to support various decision-making processes by assessing and analyzing big data and providing accurate predictions. As such, deep learning models can be utilized to improve our ability to predict the energy production in many different parts of the world. In this thesis, we are particularly interested in establishing a forecasting model of Turkey's daily wind energy production using deep learning methods based on the data between January 1, 2015, to January 23, 2022. To achieve that, we apply Long-Short-Term Memory (LSTM), Bidirectional Long-Short-Term Memory (BLSTM), Gated Repetitive Network (GRU), and Convolutional Neural Network (CNN). Long-Short-Term Memory (LSTM), Bidirectional Long-Short-Term Memory (BLSTM), Gated Repetitive Network (GRU), and Convolutional Neural Network (CNN) using different lag sizes and number of nodes. We evaluate the predictive results of these algorithms by calculating performance metrics such as Adjusted R squared, Mean Squared Error (MSE), Root Squared Mean Squared Error (RMSE) and Absolute Mean Error (MAE). Our results show that CNN algorithm has the best predictive value with MAE = 0.0063, MSE = 0.0001, RMSE= 0.0083, R2= 0.9986. | tr_TR |
| dc.identifier.uri | http://hdl.handle.net/20.500.12575/86443 | |
| dc.language.iso | tr | tr_TR |
| dc.publisher | Fen Bilimleri Enstitüsü | tr_TR |
| dc.subject | derin öğrenme | tr_TR |
| dc.subject | tahmin | tr_TR |
| dc.subject | istatistiksel modelleme | tr_TR |
| dc.title | Türkiye'nin günlük rüzgar enerjisi üretiminin derin öğrenme ile modellenmesi | tr_TR |
| dc.title.alternative | Modeling daily wind power production of turkey using deep learning | tr_TR |
| dc.type | masterThesis | tr_TR |