Forecasting electricity consumption using deep learning methods with hyperparameter tuning

Abstract

Bu çalışmada, zamana bağlı elektrik tüketimindeki değişimi içeren bir veri seti ile derin öğrenme yöntemleri kullanılarak bir günlük elektrik tüketimi tahmin edilmeye çalışılmıştır. Zaman serisi bileşenleri ve makine öğrenimi kavramları açıklandıktan sonra, elektrik tüketimi tahmini ile ilgili daha önceki çalışmalar hakkında genel bilgiler verilmiştir. Kullanılan veri kümesi bir zaman serisi olduğundan, zaman serisi özellikleri ayrıntılı olarak vurgulanmış ve modellemeye geçmeden önce yeniden örnekleme ve yeniden şekillendirme gibi gerekli işlemler gerçekleştirilmiştir. Modelleme aşamasında kullanılan algoritmaların performansını önemli ölçüde etkileyen hiperparametreler üzerinde çeşitli ayarlamalar yapılarak her yöntem için en uygun parametreler araştırılmıştır. Daha sonra en iyi sonuçları veren modeller birbirleriyle karşılaştırılmış ve en düşük hata oranına sahip yöntem belirlenmiştir.

In this study, it is tried to estimate one-day electricity consumption by using deep learning methods with a dataset that includes the change in time-dependent electricity consumption. After explaining the time series components and machine learning concepts, general information about previous studies on electricity consumption estimation is given. Since the dataset used is a time series, all the features are emphasized in detail and necessary operations like resample and reshape are performed before proceeding to the modeling. Tuning was applied to hyperparameters which significantly affect the performance of the algorithms used in the modeling stage and the most suitable parameters were searched for each method. Then the best results were compared with each other and the method with the lowest error rate was determined.