DERİN VE HAFIZALI ÖĞRENME YÖNTEMLERİYLE ELEKTRİK ENERJİSİ TALEP TAHMİNİ

Abstract

Elektrik enerjisi talep tahmini üretim planlamasının, iletim ve dağıtım sistemleri işletiminin, piyasa teklif süreçlerinin ve talep tarafı yönetiminin merkezinde yer almaktadır. Yüksek tahmin doğruluğu; üretim kapasitesinin doğru şekilde planlanmasını, dengesizlik maliyetlerinin azaltılmasını, kesinti riskinin düşürülmesini ve karbon emisyonlarının sınırlandırılmasını mümkün kılar. Elektrik enerjisinin depolanabilirliğinin sınırlı olması, özellikle kısa vadeli talep tahminlerinin doğruluğunu güç sistemleri açısından daha da önemli hale getirmektedir. Bu tez çalışmasının amacı, hafızalı yapılara sahip derin öğrenme tabanlı yöntemler kullanılarak elektrik enerjisi talep tahmininde, tahmin doğruluğunu artırmaya yönelik yeni modelleme yaklaşımları geliştirmektir. Tez kapsamında elektrik enerjisi talep tahmini problemi iki farklı veri ölçeği ve mimari tasarım yaklaşımı üzerinden ele alınmıştır. İlk olarak, bireysel kullanıcı düzeyindeki talep verileri kullanılarak CNN ve LSTM yapılarını birleştiren hibrit bir CNN-LSTM modeli geliştirilmiş ve girdi örnek uzunluğunun kısa vadeli çok adımlı tahmin performansı üzerindeki etkisi analiz edilmiştir. İkinci olarak, toplu kullanıcı düzeyindeki talep verileri kullanılarak zaman serilerinin farklı temsillerini birlikte işleyen GAF tabanlı paralel CNN+LSTM mimarisi önerilmiştir. Bu kapsamda, bir boyutlu zaman serisi temsilleri ile iki boyutlu görüntü tabanlı temsillerin birlikte kullanılmasının tahmin doğruluğu üzerindeki etkileri değerlendirilmiştir. Bu tez kapsamındaki çalışmalar gerçek dünya veri setleri üzerinde gerçekleştirilmiştir. Elde edilen bulgular, girdi örnek uzunluğu seçiminin ve zaman serisi örneklerinin iki boyutlu temsil biçiminin, kısa vadeli çok adımlı tahminlerde tahmin performansını belirgin biçimde iyileştirdiğini göstermektedir. Sonuç olarak, uygun tasarım tercihleriyle derin ve hafızalı modellerin elektrik enerjisi talep tahmininde tutarlı ve yüksek doğrulukta tahminler üretebildiği ortaya konmuştur.

Electrical energy demand forecasting lies at the core of production planning, the operation of transmission and distribution systems, market bidding processes, and demand-side management. High forecasting accuracy enables the proper planning of generation capacity, the reduction of imbalance costs, the mitigation of outage risks, and the limitation of carbon emissions. The limited storability of electrical energy makes the accuracy of short-term demand forecasts even more critical for power systems. The aim of this thesis is to develop new modeling approaches to improve forecasting accuracy in electrical energy demand forecasting by using deep learning-based methods with memory structures. Within the scope of the thesis, the electrical energy demand forecasting problem is addressed through two different data scales and architectural design approaches. First, a hybrid CNN-LSTM model combining CNN and LSTM structures is developed using individual user-level demand data, and the effect of input sample length on short-term multi-step forecasting performance is analyzed. Second, using aggregate user-level demand data, a GAF-based parallel CNN+LSTM architecture that jointly processes different representations of time series is proposed. In this context, the effects of jointly using one-dimensional time series representations and two-dimensional image-based representations on forecasting accuracy are evaluated. The studies within the scope of this thesis were conducted using real-world datasets. The obtained findings show that the selection of input sample length and the two-dimensional representation of time series samples markedly improve forecasting performance in short-term multi-step forecasting. Consequently, it has been demonstrated that, with appropriate design choices, deep and memory-based models can produce consistent and highly accurate forecasts in electrical energy demand forecasting.