ELEKTRİK ENERJİSİ TALEP TAHMİNİ İÇİN KENAR BİLİŞİM DESTEKLİ YENİ BİR HİBRİT YAPAY ZEKÂ MODELİ

Abstract

Günümüzde artan enerji ihtiyacı ve yenilenebilir kaynak entegrasyonu ile meydana gelen belirsizlikler, enerji talebinin ve tüketiminin, kısa ve uzun vadeli olarak güvenilir şekilde tahmin edilmesini daha da önemli hale getirmiştir. Esasında bir zaman serisi problemi olan enerji talebi ve tüketimi tahmini doğası gereği karmaşık, doğrusal olmayan ve çok ölçekli bir yapıya sahip olabilmektedir. Bu nedenle bu problemlerin çözümünde geleneksel yöntemler yerine yüksek performans sağlayan yapay zekâ tabanlı yöntemlere olan ilgi giderek artmıştır. Ayrıca sürdürülebilir enerji yönetimi için kritik öneme sahip olan bu enerji tahmin modellerinin, yüksek işlem maliyetleri gerektirmeden çalıştırılabilmesi modern şebekeler için giderek önem kazanan bir konu haline gelmektedir. Bu bağlamda bu tez kapsamında istatistiksel, hibrit ve topluluk tabanlı olmak üzere çok yönlü modelleme stratejileri önerilmiş ve bu modellerin doğruluk oranları klasik makine öğrenmesi ve derin öğrenme yöntemleri ile karşılaştırmalı olarak analiz edilmiştir. Tahmin modellerinin başarımının arttırılması amacıyla sezgisel olarak yakalanamayacak örüntülerin tespit edilmesi ve zaman serisinin farklı ölçeklerdeki dinamiklerinin yakalanabilmesi için çok ölçekli kayan pencere yaklaşımı kullanılmıştır. Bu yapıdaki pencere boyutlarının veri odaklı bir şekilde belirlenmesi için de sürekli dalgacık dönüşümü yöntemi ile pencere optimizasyonu gerçekleştirilmiştir. Gerçek enerji talebi ve tüketimi verileri üzerinde yapılan deneysel çalışmalar sonucunda, geliştirilen tahmin modellerinin düşük hata oranları ile üstün tahmin performansı sergilediği kanıtlanmıştır. Ayrıca elde edilen sonuçlar gerçekleştirilen pencere optimizasyonun tahmin problemlerinde belirleyici öneme sahip olduğunu ortaya koymaktadır. Çalışmanın son aşamasında teorik başarımı doğrulanan tahmin modellerinin uç cihaz üzerinde donanımsal gerçeklemesi yapılmış ve modelin, kenar bilişim uygulamaları için uygunluğu ve gerçek zamanlı çalışma potansiyeli kanıtlanmıştır.

In today's world, rising energy demand and the uncertainties of integrating renewable resources make reliable short-term and long-term forecasting of energy demand and consumption critical. Forecasting demand and consumption is complex, nonlinear, and multi-scale because it's a time series problem. Interest in AI-based methods for high-performance problem-solving is growing, outpacing conventional approaches. Energy forecasting models are essential to sustainable energy management, making their cost-effective operation vital for contemporary grids. In this context, this thesis proposes multifaceted modeling strategies, including statistical, hybrid, and ensemble-based approaches, and analyzes the accuracy rates of these models comparatively with classical machine learning and deep learning methods. A multi-scale sliding window approach is used to improve forecasting model performance by detecting patterns that are hard to spot and capturing the dynamics of the time series at different scales. The optimization of windows is achieved through the implementation of the continuous wavelet transform method, a data-driven approach that facilitates the determination of the window dimensions within the multi-scale sliding window structure. Experimental studies conducted on authentic energy demand and consumption data sets have demonstrated that the developed prediction models exhibit superior performance in terms of prediction accuracy, with minimal error rates. Moreover, the findings indicate that the optimization of windows is of paramount importance in the context of prediction problems. In the final stage of the study, the prediction models, whose theoretical performance was validated, were deployed on an edge device. This proved the model's suitability for edge computing applications and its potential for real-time operation.