Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Türkiye
Tezin Onay Tarihi: 2010
Tezin Dili: İngilizce
Öğrenci: Tuğba Yıldırım
Danışman: BAHAR SENNAROĞLU
Özet:ELEKTRİK TÜKETİMİ TAHMİNİ İÇİN YAPAY SİNİR AĞLARI VE GELENEKSEL METODLARIN KARŞILAŞTIRILMASI Elektrik hayat kalitemizin temel öğelerinden biridir. Yaşamımızı devam ettirebilmemiz için ve kesintisiz enerji tedariğine ihtiyaç duyarız. Elektrik modern ekonomilerde tüm sektörler için anahtar maddedir. Artan elektrik enerjisi talebi problemlerinin çözümlerinde çeşitli metotların kullanılmasına ihtiyaç duyulur. Enerji kaynakları üretimi ve tüketimi tahminleri Türkiye’ye uygun politikalar izlemede yardımcı olur. Bu çalışmada, uzun dönemli elektrik tüketimi tahminleri yapılırken yapay sinir ağları ve bazı zaman serileri modellerinin teorik ve uygulamalı olarak incelenmesi amaçlanmıştır. Çalışma dahilinde yapay sinir ağları metodolojisi ve zaman serileri analizinin nasıl yapılacağı teorik olarak açıklanmış, ardından uygulamaya yer verilmiştir. Elde edilen sonuçlar, klasik modellerden elde edilen sonuçlar ile karşılaştırılmış ve her modelin öngörü performansı değerlendirilmiştir. Sonuç olarak yapay sinir ağları tahmin modellerinin, geleneksel modellere güçlü alternatif olabileceği görülmüştür. ABSTRACT COMPARISION OF ARTIFICIAL NEURAL NETWORKS AND TRADITIONAL METHODS FOR ELECTRICITY CONSUMPTION Electricity is fundamental to the quality of our lives. We are totally dependent on abundant and uninterrupted supply of electricity for living and working. It is a key ingredient in all sectors of modern economies. Turkey needs to solve increased energy demand problem with varied methods. Thus, Turkey pursues policies according to energy resources consumption and production forecasts. In this study, it is aimed to examine both theoretical and applied analysis with artificial neural network and time series analysis models for long term electricity consumption forecasting. Within study, time series analysis and artificial neural Networks are explained, and an application is included. Also, used results of classical models and predictions of each model used, are compared. The comparison shows artificial neural networks forecasting methods could be a strong alternative to the traditional methods.