Yapay Sinir Ağları Ve Türkiye Elektrik Tüketimi Tahmin Modeli

Abstract

Bu çalışmada, yapay sinir ağları yöntemiyle Türkiye için elektik tüketimi tahmininde kullanılabilecek bir model tasarlanmıştır. Çalışmada öncelikle yapay sinir ağları kavramı, bileşenleri, tarihsel gelişimi ve özellikleri hakkında genel bilgiler verilmiştir. Uygulamada kullanılan çok katmanlı ileri beslemeli yapay sinir ağları ile ilgili ayrıntıya girilmiş, işleyiş mekanizması teorik olarak ve bir örnek üzerinde uygulamalı olarak anlatılmıştır. Modelde faydalanılan yazılım programı MATLAB hakkında bilgi aktarılmış ve MATLAB’ın yapay sinir ağları için kullanımı örnek bir uygulama ile detaylı bir şekilde gösterilmiştir. Uygulama konusu olarak seçilen elektrik tüketimini etkileyen faktörler belirlenmiş, bu faktörlere ait geçmiş veriler derlenmiş, ihtiyaç duyulan parametreler tanımlanarak tahmin işleminde kullanılacak ağ tasarlanmıştır. En yüksek performansı verecek ağ yapısının belirlenebilmesi için değişik sayıda gizli hücre ile bir çok uygulama yapılmıştır. Önceden tanımlanan performans aralığına erişen modeller değerlendirmeye tabi tutulmuş ve test sonuçlarında en düşük hatayı veren model nihai model olarak belirlenmiştir.

In this thesis, a model that can be used in electrical consumption forecast for Turkey is designed by artifical neural networks methodology. In the study, general information on concept, components, historical development and characteristics of artificial neural networks is given first. Multilayer feed forward artificial neural networks which are used in the application are given in details, the process mechanism is explained theoretically and practically on an example. Information is given about the software MATLAB that is used in the application and the usage of MATLAB for artificial neural networks is shown in details on an examplary application. The factors that affect the application subject, electrical consumption, are defined, historical data belonging those are collected, the necessary parameters are defined and the network to be used in the forecast is designed. To determine the network that gives the best performance, several applications are made with different hidden neuron numbers. The models that satisfy the predetermined performance interval are taken into evaluation and the model that gave the least error in the test results is set as the decisive model.