Geri Dön

Makine öğrenmesi tabanlı elektrik tüketimi tahmini ve maliyet-emisyon optimizasyonunda bütünleşik bir yaklaşım

An integrated approach to machine learning-based electricity consumption forecasting and cost-emission optimization

PDF İndir

  1. Tez No: 1012089
  2. Yazar: MENEKŞE YEŞİM ÇAKIRLI
  3. Danışmanlar: PROF. DR. ERSİN NAMLI, DR. ÖĞR. ÜYESİ MESUT ULU
  4. Tez Türü: Doktora
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Makine öğrenmesi, Talep tahmini, Machine learning, Demand estimation
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi-Cerrahpaşa
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Elektrik enerjisi, ekonomik ve toplumsal gelişimin temel altyapısı olup, güvenilir ve doğru biçimde yönetilmesi kritik bir öneme sahiptir. Özellikle büyük şehirlerde elektrik tüketiminin doğru tahmini, hem kısa vadeli operasyonel planlamalar hem de uzun vadeli enerji politikalarının belirlenmesi için vazgeçilmezdir. Yanlış veya eksik tahminler, arz güvenliğinin riske girmesine ya da maliyetlerin gereksiz artmasına yol açmaktadır. Ayrıca iklim değişikliğinin etkilerinin artması ve fosil yakıtların sınırlı olması, yenilenebilir enerji kaynaklarının enerji üretiminde daha fazla pay almasını zorunlu hale getirmiştir. Ancak yenilenebilir kaynakların hava koşullarına bağlı değişken yapısı, toplam talebin karşılanmasında tek başına yeterli değildir. Bu nedenle, maliyet kısıtları da gözetilerek fosil kaynakların belirli bir oranda kullanılması gerekmektedir. Bu durum, hibrit bir üretim planlaması ve optimizasyon ihtiyacını doğurmaktadır. Bu tezde, elektrik talebinin tahmin edilmesi amacıyla ağaç tabanlı öğrenme algoritmaları ve regresyon temelli yöntemler kullanılmıştır. Karar Ağacı, Aşırı Rastgele Ağaçlar, Doğrusal Regresyon, Rastgele Orman, Aşırı Gradyan Artırma ve Izgara Tabanlı Hiperparametre Optimizasyonu ile optimize edilmiştir. Model performanslarının zamansal bağımlılık yapısını koruyacak biçimde değerlendirilmesi amacıyla veri seti zaman serisi ayrıştırma yöntemiyle bölünmüş, kayan pencere doğrulama yaklaşımı uygulanmış ve veriler eğitim, doğrulama ve test kümeleri olarak ayrılmıştır. Elde edilen tahmin sonuçları üretim optimizasyon modeline girdi olarak kullanılmış ve toplam elektrik talebinin maliyet minimizasyonu ile yenilenebilir enerji oranının artırılması hedefleri doğrultusunda karşılanmasına yönelik bütüncül bir model yapısı geliştirilmiştir. Bu çalışma, İstanbul ölçeğinde çok değişkenli verilerin zaman serisi temelli makine öğrenmesi yöntemleri ile modellenmesi ve tahmin sonuçlarının üretim planlamasına entegre edilmesi açısından literatüre katkı sunmaktadır.

Özet (Çeviri)

Electric energy constitutes the fundamental infrastructure of economic and social development, and its reliable and accurate management is of critical importance. Particularly in large cities, the accurate forecasting of electricity consumption is indispensable for both short-term operational planning and the determination of long-term energy policies. Incorrect or incomplete forecasts may jeopardize supply security or lead to unnecessary increases in costs. Furthermore, the growing impacts of climate change and the limited availability of fossil fuels have made it imperative to increase the share of renewable energy sources in electricity generation. However, the weather-dependent variability of renewable sources is not sufficient on its own to meet total demand. Therefore, fossil resources must be utilized to a certain extent, while also considering cost constraints. This situation gives rise to the necessity of hybrid production planning and optimization. In this thesis, tree-based learning algorithms and regression-based methods were used to forecast electricity demand. Decision Tree, Extremely Randomized Trees, Linear Regression, Random Forest, and Extreme Gradient Boosting were employed and optimized using Grid Search. In order to evaluate model performances while preserving the temporal dependency structure, the dataset was partitioned using a time series splitting method, a rolling validation approach was applied, and the data were divided into training, validation, and test sets. The obtained forecasting results were used as inputs to the production optimization model, and an integrated model structure was developed to meet the total electricity demand in line with the objectives of cost minimization and increasing the share of renewable energy. This study contributes to the literature in terms of modeling multivariate data at the scale of Istanbul using time series–based machine learning methods and integrating forecasting results into production planning.

Benzer Tezler

  1. Tez No

    962042

    Contributions to the determination of optimized driving strategies for electric vehicles using artificial intelligence based methods

    Elektrikli araçlar için yapay zeka tabanlı yöntemlerle en uygunlaştırılmış sürüş stratejilerinin belirlenmesine katkılar

    UFUK BOLAT

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DERYA AHMET KOCABAŞ

    DOÇ. DR. GÜLCİHAN ÖZDEMİR

  2. Tez No

    935555

    An agent-based approach to assess the impact of electricity generation on carbon emissions

    Bir ajan temelli yaklaşim ile elektrik üretiminin karbon emisyonlari üzerindeki etkisinin değerlendirilmesi

    DENİZHAN GÜVEN

    Doktora

    İngilizce

    İngilizce

    2025

    Enerjiİstanbul Teknik Üniversitesi

    İklim ve Deniz Bilimleri Ana Bilim Dalı

    PROF. DR. MEHMET ÖZGÜR KAYALICA

    PROF. DR. ÖMER LÜTFİ ŞEN

  3. Tez No

    828927

    A novel artificial intelligence based energy management system for microgrids

    Mikro şebekeler için yapay zeka temelli yeni bir enerji yönetim sistemi

    NECATİ AKSOY

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ

  4. Tez No

    883707

    Deep learning-based ensemble model for electrical energy consumption prediction

    Elektrik enerjisi tüketimi tahmini için derin öğrenme tabanlı topluluk modeli

    NİLAY FATMA YILDIZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALPER ÖZCAN

  5. Tez No

    984074

    Enerji piyasalarında saatlik elektrik tüketim tahmini için veriye dayalı model geliştirme ve maliyet analizi

    Data-driven model development and cost analysis for hourly electricity consumption forecasting in energy markets

    ŞENEL AYCAN ALTUNBAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Endüstri ve Endüstri MühendisliğiNecmettin Erbakan Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BİLAL ERVURAL

Geri Dön