Karınca kolonisi optimizasyonuyla geliştirilmiş topluluk öğrenmesi yaklaşımıyla enerji tüketim tahmini
Energy consumption prediction via an ensemble learning approach optimized with ant colony optimization
- Tez No: 1019431
- Danışmanlar: PROF. DR. AKIN ÖZÇİFT, PROF. DR. KIVANÇ BAŞARAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Karınca Kolonisi Optimizasyonu, enerji tüketim tahminlemesi, model testi, random search, simülasyon tabanlı dijital ikiz, yığınlama tabanlı topluluk modeli, Yapay zeka, Ant Colony Optimization, energy consumption forecasting, model testing, random search, Simulated Digital Twin, stacking ensemble model, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Manisa Celal Bayar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzün modern enerji şebekeleri, farklılaşan bölgesel dinamikler ve karmaşık tüketim alışkanlıkları nedeniyle operasyonel verimliliğin ve arz güvenilirliğinin sağlanması için yüksek doğrulukta kısa vadeli talep tahminlerine ihtiyaç duymaktadır. Bu çalışma, enerji talebini öngörmek amacıyla yenilikçi bir Yığınlama Tabanlı Topluluk Tahmin (SEF) modeli çatısı sunmaktadır. Klasik yığınlama modellerinden farklı olarak, bu“öznitelik-zenginleştirilmiş”modelde, meta-öğrenici (Katman 2) sadece temel öğrenicilerin (Katman 1) tahminleriyle değil, aynı zamanda verinin orijinal gecikmeli öznitelikleriyle de beslenerek daha“bağlam-duyarlı”bir karar vermesi sağlanmıştır. Üstün bir tahmin performansı elde etmek için geliştirilen bu yığınlama tabanlı topluluk modeli, Karınca Kolonisi Optimizasyonu (ACO) algoritması ile hassas bir şekilde ayarlanmış ve en iyi duruma getirilmiştir. Geliştirilen yaklaşım uygulandığında, mevcut en iyi bireysel modele (Gradyan Artırma Regresörü - (GBR)) kıyasla tahmin doğruluğunda belirgin bir iyileşme sağlamıştır. Nihai model, Kök Ortalama Kare Hata (RMSE) metriğinde %12,12'lik bir düşüş sergilemiştir (0,0792'den 0,0696'ya). Modelin gerçek dünya koşullarındaki performansı, Simülasyon Tabanlı Dijital İkiz (SDT) ortamında kapsamlı bir şekilde doğrulanmıştır. Bu ortamda gerçekleştirilen senaryo bazlı testler, modelin kullanıcı davranışlarındaki değişimler, veri kalitesindeki bozulmalar ve cihaz arızaları gibi zorluklar karşısındaki dayanıklılığını kanıtlamıştır. Önerilen bu bütünleşik Yığınlama Tabanlı Topluluk Tahmini – Simülasyon Tabanlı Dijital İkiz (SEF-SDT) yapısı, farklı tüketim profillerini etkin bir şekilde yönetmek için genellenebilir bir çözüm sunarak verimli ve sürdürülebilir enerji yönetimi hedeflerine ulaşılmasına önemli bir katkı sağlamaktadır.
Özet (Çeviri)
In today's rapidly evolving energy landscape, modern power grids face a significant challenge: ensuring operational efficiency and a reliable supply amidst diverse regional dynamics and complex consumption patterns. To navigate this, highly accurate short-term demand forecasting has become not just beneficial, but essential. This research introduces an innovative framework, the Stacking Ensemble Forecasting (SEF) model, designed to predict energy demand with exceptional precision. Unlike classic stacking models, this 'feature-enriched' approach ensures the meta-learner (Layer 2) is fed not only with the predictions from the base learners (Layer 1) but also with the data's original lagged features, enabling it to make more 'context-aware' decisions. This ensemble model is meticulously fine-tuned and optimized using the Ant Colony Optimization (ACO) algorithm, allowing it to achieve superior predictive performance. When put to the test, our developed approach demonstrated a remarkable improvement in accuracy over existing state-of-the-art baseline models, achieving a notable reduction in Root Mean Square Error (RMSE) of up to 12.12% (from 0.0792 down to 0.0696). To ensure its real-world viability, the model's performance was rigorously validated within a Simulated Digital Twin (SDT) environment. Through a series of scenario-based tests, we confirmed the model's resilience and robustness in the face of practical challenges, such as shifts in user behavior, degradation of data quality, and equipment malfunctions. Ultimately, the proposed integrated Stacking Ensemble Forecasting – Simulated Digital Twin (SEF-SDT) structure offers a generalizable and powerful solution for effectively managing varied consumption profiles. It stands as a significant contribution toward the critical goals of efficient and sustainable energy management.
Benzer Tezler
- Sivas'ta kadınların işgücüne katılım farklılıkları
Başlık çevirisi yok
BİNNUR ERCEM
Yüksek Lisans
Türkçe
1984
SosyolojiCumhuriyet ÜniversitesiKurumlar Sosyolojisi Ana Bilim Dalı
YRD. DOÇ. DR. FARUK KOCACIK
- Trakya bölgesi (Istranca dağları) orman karınca faunası (hymenoptera; formicidae)
Başlık çevirisi yok
YILMAZ ÇAMLITEPE
- Edirne yöresi çayır ve mer'a karınca faunası (hymenoptera; formicidae)
Başlık çevirisi yok
ABDULLAH ARAS
- Transfer fiyat sistemi ve transfer fiyatlarının doğrusal proglamlama metodu kullanılarak belirlenmesi
Başlık çevirisi yok
SELİM PAZARÇEVİREN