Yapay sinir ağları ve farklı tahmin yöntemleri ile uzun dönem yük tahmini: Zonguldak örneği

Bu tezde Zonguldak ilinin elektrik enerjisi yük tahmini, Regresyon, Geri Yayılımlı Yapay Sinir Ağları (GYYSA) ve Radyal Tabanlı Yapay Sinir Ağları (RTYSA) gibi yöntemlerle üç yıllık dönem için yapılmıştır. Tahmin yöntemlerinde geliştirilen tüm modellerde bağımsız değişken olarak; sıcaklık, nüfus, kısmen biten veya ilave edilen yapıların toplam metrekaresi, kişi başına gayri safi yurt içi hasıla, madencilik ve taş ocakçılığı iş kolunda çalışan sayısı, kişi başına toplam elektrik tüketimi (kWh) gibi değerler kullanılmıştır. Bu kapsamda, yıllık olarak 6 ve aylık olarak ise 2 farklı model olmak üzere toplamda 8 farklı model kurularak analiz yapılmıştır. Regresyon analizinde, tüm modellerde çoklu ve basit doğrusal regresyon yöntemleri ile 2007-2017 yılları arasındaki değerler seçilmiştir. GYYSA yönteminde, MATLAB programında oluşturulan modellerde eğitim verisi olarak 2007-2017 yılları arasındaki değerlerin %70'lik kısımları rasgele olarak seçilerek kullanılmıştır. GYYSA'nda bir veya iki gizli katman kullanılmıştır. RTYSA yönteminde ise, MATLAB programında oluşturulan modellerde eğitim verileri olarak 2007-2017 yılları arasındaki değerlerin %70 kısımları kullanılmıştır. Eğitilen modellerde tahmin performans modeli olarak R2 (karesel hata) yöntemi kullanılmıştır. Tahmin yöntemleri ile bulunan üç yıllık enerji tüketimi tahmini verileri kendi aralarında karşılaştırılmıştır. Bunun sonucunda en yüksek R² değeri olan 0,9983 değerine RTYSA ile MHY1 modeli ile en iyi tahmin sonucuna ulaşılmıştır.
In this thesis, three-year long term electric energy load forecasting of Zonguldak province was conducted by using Regression, Back-propagation Artificial Neural Networks (BANN) and Radial Based Artificial Neural Networks (RBANN) forecasting methods. Temperature (...), population, total square meters of partially completed buildings or added structures, gross domestic product per capita, number of employees in mining and quarrying business, total electricity consumption per capita (kWh) were used as independent variables in all models developed by forecasting methods. In this context, 6 different models per year and 2 different models per month, a total of 8 different models were established and analysed by forecasting methods. In regression analysis, dependent and independent variables including the years 2007-2017, were selected with multilinear and single regression methods in all models. In BANN method, %70 of the values between 2007 and 2017 years were randomly selected and used as training data in the models developed on MATLAB programme. In RBANN method, one or two hidden layers were used. On the other hand in BANN method, %70 of the values between 2007-2017 years were used as training data in the models developed on MATLAB programme. R² (quadratic error) method was used as the forecasting performance model in the trained models. The three-year energy consumption forecast data, found by forecasting methods, were compared among themselves. As a result of these comparisons, the highest R² value of 0.9983 was obtained with RBANN and MHY1 models as the best estimation result.