Derin Öğrenme (1D-CNN, RNN, LSTM, BiLSTM) ile Enerji Tüketim Tahmini: Diyarbakır AVM Örneği

Yıl 2024, Cilt: 15 Sayı: 2, 311 - 322, 30.06.2024

Yusuf Berus Yurdagül Benteşen Yakut

https://doi.org/10.24012/dumf.1415055

Öz

Bu makale çalışmasında, Diyarbakır il merkezinde yer alan bir alışveriş merkezinin toplam 2027 günlük (5 yıl, 6 ay, 19 gün) aktif tüketim verileri kullanılarak, makine öğrenmesi yöntemleri ile enerji tüketim değişiminin tahmini amaçlanmıştır. Bu çalışmada kullanılan aktif tüketim miktarı saatlik ölçülerek 2027x24= 48648 boyutunda veri seti elde edilmiş olup, gerekli onaylar Dicle Elektrik Dağıtım A.Ş.’ den alınmıştır. Enerji aktif tüketiminin tahmini için 1D-CNN, RNN, LSTM ve BiLSTM olmak üzere dört farklı derin ağ modeli geliştirilmiştir. Her üç ağ için RNN/LSTM/BiLSTM(Unit sayısı) ⇒ Dense(1) gibi basit bir ağ mimarisi önerilmiştir. Söz konusu geliştirilen modellerin özellikle tekrarlayan sinir ağları yapısındaki modeller aynı ölçütlerde eğitime tabi tutularak, birbirleri arasındaki performans değerleri karşılaştırılmıştır. Tüm uygulamalar 10 kez tekrar edilerek en yüksek performansa sahip olan değerler kayda alınmıştır. Önerilen modellerin performansı RMSE, MAE ve R^2 ölçütlerine göre değerlendirilmiştir. Basit mimarilerin önerildiği çalışmada, test veri setine göre determinasyon katsayısı dikkate alındığında Tekrarlayan sinir ağlarının başarım performans aralığının [%91.7 %93.7] bant aralığında olduğu ve önerilen basit modellerde belirli düzeyde bile başarımın elde edildiği gözlemlenmiştir. Tekrarlayan sinir ağlarında başarımların birbirine yakın performans sergiledikleri ve bunların içinde en iyi performansın BiLSTM modelinde Unit=100 mimarisinde elde edildiği görülmüştür. Önerilen mimarilere göre 1D-CNN’in tekrarlayan sinir ağlara göre daha düşük bir performans sergilediği görülmüştür. 1D-CNN mimarisinin geliştirilerek, başarımının artırılabileceği düşünülmektedir.

Anahtar Kelimeler

Enerji tüketim tahmini, CNN, RNN, LSTM, BiLSTM

Etik Beyan

Hazırlanan makalede etik kurul izni alınmasına gerek yoktur. Hazırlanan makalede herhangi bir kişi/kurum ile çıkar çatışması bulunmamaktadır.

Destekleyen Kurum

Destekleyen herhangi bir kurum bulunmamaktadır.

Kaynakça

• [1] Berri̇el, R. F., Lopes, A. T., Rodri̇gues, A.O, Varejao, F. M. and Oli̇vei̇ra-Santos, T. (2017). Monthly energy consumption forecast: a deep learning approach [Bildiri sunumu] IEEE, Brazi̇l.
• [2] Kaysal, K., Akarslan, E. ve Hocaoğlu, F. O. (2022). Türkiye kısa dönem elektrik yük talep tahmininde makine öğrenmesi yöntemlerinin karşılaştırılması. Bseu Journal Of Sci̇ence, 9(2), 693-702. https://doi.org/10.35193/bseufbd.1004827
• [3] Bedi̇, J. ve Toshni̇wal, D. (2019). Deep learning framework to forecast electricity demand. Appli̇ed Energy, 238, 1312-1326. https://doi.org/10.1016/j.apenergy.2019.01.113
• [4] Solyali̇, D. (2020). A comparative analysis of machine learning approaches for short-/long-term electricity load forecasting in cyprus. Sustai̇nabi̇li̇ty, 3612(12), 2-34. doi:10.3390/su12093612
• [5] Gezmez, K. Ç. (2022). Bi̇r i̇li̇n elektri̇k tüketi̇m veri̇leri̇ni̇n maki̇ne öğrenmesi̇ yöntemleri̇ i̇le anali̇zi̇ [Yayımlanmamış yüksek lisans tezi]. Başkent Üni̇versi̇tesi̇.
• [6] Bouktif, S.; Fiaz, A.; Ouni, A.; Serhani, M.A. Optimal deep learning lstm model for electric load forecasting using feature selection and genetic algorithm: Comparison with machine learning approaches. Energies 2018, 11, 1636. [CrossRef]
• [7] Yurdoğlu, H. (2023). Bi̇r teksti̇l fabri̇kasının elektri̇k tüketi̇m değerleri̇ni̇n deri̇n öğrenme i̇le tahmi̇nlenmesi̇ [Yayımlanmamış yüksek lisans tezi]. Pamukkale Üni̇versi̇tesi̇
• [8] Ki̇pri̇janovska, İ., Stankoski̇, S., Ili̇evski̇, İ. ve Jovanovski̇, S. (2020). Houseec: day-ahead household electrical energy consumption forecasting using deep learning. Energi̇es, 13(2672), 2-29. 10.3390/en13102672
• [9] Kell, A. J., Mcgough, A. S. ve Forshaw, M. (2021). The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets. Sustai̇nable Computi̇ng: İnformati̇cs And Systems, 30,1-12. https://doi.org/10.1016/j.suscom.2021.100532
• [10] Kolli̇a, İ. ve Kolli̇as, S. (2018, May). A deep learning approach for load demand forecasting of power systems. IEEE, Çeşme/İ̇zmi̇r
• [11] Tulensalo, J., Seppänen, J. ve Ili̇n, A. (2020). An lstm model for power grid loss prediction. Electri̇c Power Systems Research, 189,1-4. https://doi.org/10.1016/j.epsr.2020.106823
• [12] Ibrahi̇m, B., Rabelo, L., Guti̇errez-Franco, E. ve Clavi̇jo-Buri̇ti̇ca, N. (2022). Machine learning for short-term load forecasting in smart grids. Energi̇es, 8079(15), 2-19. https://doi.org/10.3390/en15218079
• [13] Torres, J. F., Lvarez, F. M. ve Troncoso, A. (2022). A deep lstm network for the spanish electricity consumption forecasting. Neural Computi̇ng And Appli̇cati̇ons, 34, 10533–10545. https://doi.org/10.1007/s00521-021-06773-2
• [14] Kuşkapan, E., Çodur, M. K. ve Çodur, M. Y. (2022). Türki̇ye’deki̇ demi̇ryolu enerji̇ tüketi̇mi̇ni̇n yapay si̇ni̇r ağları i̇le tahmi̇n edi̇lmesi̇. Konya Journal Of Engi̇neeri̇ng Sci̇ences, 10(1), 72-84. 10.36306/konjes.935621
• [15] X. Wan, H. Song, L. Luo, Z. Li, G. Sheng, and X. Jiang, “Pattern recognition of partial discharge image based on one-dimensional convolutional neural network,” In 2018 Condition Monitoring and Diagnosis (CMD), 2018, pp. 1-4.
• [16] M. Tosun, F. ŞENTÜRK, (2023). Kasislerin Yakıt Tüketimine Etkisinin RNN, LSTM, GRU Tekrarlayan Derin Öğrenme Algoritmaları ile Tespiti. Journal of Intelligent Systems: Theory and Applications, 6(1), 12-23. https://doi.org/10.38016/jista.1141359
• [17] Fu, Y., Lou, F., Meng, F., Tian, Z., Zhang, H., Jiang, F., 2018. “An Intelligent Network Attack Detection Method Based on RNN”. 2018 IEEE Third International Conference on Data Science in Cyberspace (DSC), 483–489. https://doi.org/10.1109/DSC.2018.00078
• [18] P. Bahad, P. Saxena, and R. Kamal, “Fake news detection using bi-directional LSTM-recurrent neural network,” Procedia Computer Science, vol. 165, pp. 74-82, 2019.
• [19] S. Patil, V. M. Mudaliar, P. Kamat, S. Gite, “LSTM based Ensemble Network to enhance the learning of long-term dependencies in chatbot,” International Journal for Simulation and Multidisciplinary Design Optimization, vol. 11, no. 25, 2020.
• [20] Olah, C. (2015). Understanding lstm networks. https://colah.github.io/posts/2015-08-Understanding-LSTMs.
• [21] S. Zhang, D. Zheng, X. Hu ve M. Yang, Bidirectional long short-term memory networks for relation classification, In Proceedings of the 29th Pacific Asia conference on language, information and computation, 73-78, 2015.
• [22] Ekinci, E., İlhan Omurca, S., Özbay, B. Comparative assessment of modeling deep learning networks for modeling ground-level ozone concentrations of pandemic lock-down period, Ecological Modelling, 2021, 457, pp. 109676.
• [23] Graves, A., Schmidhuber, J. Framewise phoneme classification with bidirectional LSTM and other neural network architectures, Neural Networks, 2005, 18(5-6), pp. 602-610.
• [24] Karaman, Ö. A., & Bektaş, Y. (2023). Makine Öğrenmesi ve Optimizasyon Yöntemleri ile Uzun Dönem Elektrik Enerjisi Tahmini: Türkiye Örneği. Mühendislik Bilimleri ve Araştırmaları Dergisi, 5(2), 285-292. https://doi.org/10.46387/bjesr.1306577