Son yıllarda Türkiye ihtiyaçlarını karşılayabilmek adına elektrik üretimine yoğun bir şekilde dikkat vermektedir. Araştırmacılar elektrik üretim, tüketim ve talep miktarını doğru bir şekilde tahmin etmek için istatistik ve yapay zeka tabanlı yöntemleri de içeren birçok farklı metod uygulamışlardır. Sınırlı sayıda araştırmacı Türkiye’nin elektrik üretim tahminleme problemini bir zaman serisi analizi olarak irdelemiştir. Bu nedenle bu çalışmada söz konusu problem zaman serileri analizi olarak ele alınmıştır. Bu açıdan çalışmada hem Destek Vektör Makineleri (DVM) ve Çok Katmanlı Nöronlar (ÇKN) gibi klasik makine öğrenimi yöntemleri hem de Uzun Kısa Dönemli Hafıza (UKDH) yöntemi gibi derin öğrenme yöntemi Türkiye’nin üretmesi gereken aylık elektrik üretim miktarını tahmin etmek için kullanılmıştır. Çalışmanın bulgularına dayalı olarak derin öğrenme algoritması istatistiksel hata oranlarına göre diğer klasik makine öğrenimi yöntemlerinden daha başarılı sonuçlar vermektedir.
Over the last decades, Turkey pays special attention to electricity productionbto afford its needs. Researchers applied different methodologies including statisticalbased and artificial intelligence-based to correctly predict the future amount of electricity production, consumption, and demand. However,limited researchers focused on Turkey’s electricity production prediction problem as a time series analysis. For this reason, we tackle this problem by considering it as a time series analysis in this study. We have used different methods including traditional machine learning algorithms Support Vector Regression (SVR) and Multilayer Perceptrons (MLP) and a deep learning algorithm Long Short-Term Memory (LSTM) to create a better model for Turkey monthly electricity production dataset. Based on our findings LSTM outperforms SVR and MLP approaches in terms of commonly used statistical error evaluation metrics.
Birincil Dil | İngilizce |
---|---|
Konular | Mühendislik |
Bölüm | Makaleler |
Yazarlar | |
Yayımlanma Tarihi | 25 Ağustos 2019 |
Yayımlandığı Sayı | Yıl 2019 |
e-ISSN :1308-6529
Linking ISSN (ISSN-L): 1300-7688
Dergide yayımlanan tüm makalelere ücretiz olarak erişilebilinir ve Creative Commons CC BY-NC Atıf-GayriTicari lisansı ile açık erişime sunulur. Tüm yazarlar ve diğer dergi kullanıcıları bu durumu kabul etmiş sayılırlar. CC BY-NC lisansı hakkında detaylı bilgiye erişmek için tıklayınız.