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

Authors : Yusuf Berus, Yurdagül Benteşen Yakut

Pages : 311-322

Doi:10.24012/dumf.1415055

View : 241 | Download : 688

Publication Date : 2024-06-30

Article Type : Research Paper

Abstract :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.
Keywords : Enerji tüketim tahmini, CNN, RNN, LSTM, BiLSTM

ORIGINAL ARTICLE URL