Ertuğrul, Ömer FarukTung, Herdem2024-08-122024-08-122024-02-16Tung, H. (2024). GRU ile bölgesel tüketim modelleme ve tahmin: Derin öğrenme ile tüketici davranışlarını anlama. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.https://hdl.handle.net/20.500.12402/4616Günümüzde artan enerji ihtiyacına karşılık üretim kapasitesindeki artış aynı zamanda tüketicilerin düzensiz ve sabit olmayan enerji ihtiyacı enerji kalite kontrolünü ve enerjide yük tahmini yapmayı zorunlu hale getirmiştir. Enerji kalitesinin iyileştirilmesi son zamanlarda artan akıllı şebekeler ve bunların kullanım alanın genişlemesiyle ön planda olmuştur. Ayrıca akıllı şebekelere dahil olan yapay zekâ alanındaki gelişmeler enerji kalitesini arttırmıştır. Enerji üretim kalitesi oldukça yüksek olsa da tüketim bandı, tüketicilerin farklı ve stabil olmayan durumları şebekede dengesizliklere yol açmaktadır. Bu dengesizliklerin giderilmesi çeşitli yöntemlerle yapılmaya başlanmış olup bunlardan biride şebekenin tüketim karakteristiğini çıkarmak ve buna üretimi düzenlemektir. Aynı zamanda çıkarılan tüketim durumuna göre uygun üretim durumu enerji üretim ve tüketim kalitesini arttıracaktır. Yaptığımız çalışma tamda bu tür sorunlara yeni bir çözüm oluşturmaktadır. Çalışma örnek bir yerin mevcut olan tüketim alışkanlıklarını çıkarıp bunları düzenledikten sonra bunların analizi yapıp mevcut enerji ihtiyacını görmektir. Ayrıca çalışmada düzensizlik sebeplerini araştırmak ve oluşacak enerji ihtiyaçlarımdan önceden haberdar olarak üretimi belirlenebilir. Tüketim tahmini farklı özellikler (hava durumu, kullanım yeri, kullanım tarihi, yenilenebilir enerji kullanımı, yıllık tüketim vb.) göz önüne alınarak yapılmıştır. Tahminleme yaparken yapay zekâ alanında birçok yöntem olsa da biz kullandığımız veri setine uygun olduğunu düşündüğümüz GRU (Geçitli Tekrarlayan Birim) yöntemi kullanılandık. Tahminlemede kullandığımız yöntem elde ettiğimiz RMSE sonuçlarına bakınca veri setimize uygun olduğu kanıtlanmıştır.Today, the increasing energy demand has led to a necessary increase in production capacity, as well as a need for energy quality control and load forecasting due to consumers' irregular and fluctuating energy needs. Recently, the improvement of energy quality has been in the spotlight with the increasing deployment of smart grids and their expanding applications. Furthermore, developments in the field of artificial intelligence (AI) integrated into smart grids have contributed to enhancing energy quality. Despite the high quality of energy production, the consumption band, characterized by consumers' diverse and unstable situations, leads to imbalances in the grid. Various methods have been initiated to address these imbalances, one of which is to derive the consumption characteristics of the grid and regulate production accordingly. Additionally, adjusting production based on the extracted consumption pattern will enhance both energy production and consumption quality. Our study aims to provide a new solution to these types of problems. The study involves extracting and organizing the existing consumption patterns of a sample location, analyzing them, and then determining the current energy demand. Furthermore, the study aims to investigate the causes of irregularities and predict future energy needs in advance. Consumption forecasting considers various factors (such as weather conditions, location of use, date of use, renewable energy use, annual consumption, etc.). While there are many methods in the field of AI for prediction, we chose to use the Gated Recurrent Unit (GRU) method, which we believe is suitable for our dataset. The method we used for prediction has been proven to be suitable for our dataset based on the RMSE results we obtained.trinfo:eu-repo/semantics/openAccessAkıllı ŞebekelerEnerji KalitesiYük TahminlemesiGRU YöntemiYapay ZekâArtificial IntelligenceEnergy QualityLoad ForecastingGRU MethodSmart GridsMaster Thesis