MATLAB ile Mühendislik #34 | LSTM ile Zaman Serisi Tahmini: Yarının Yükü, Açık ve Kapalı Döngü

Eğitmen: Dr. Süleyman Burak ÇELİK

Yarının saatlik elektrik yükünü dünkü aynı saatten daha iyi tahmin edebilir miyiz? Bu derste 21 günlük özgün yük verisiyle bir LSTM ağını MATLAB Deep Learning Toolbox ile kuruyor, parametrelerini sayıyor, tek adımını elle yürütüyor, açık ve kapalı döngü tahmini ölçüyor, sonucun sınırını gösteriyoruz. Örnek 1: μ = 600.0603, σ = 116.9993 yalnız eğitimden; z1 = −91.7603 / 116.9993 = −0.7843; (408 − 97) / 24 = 12.96 → 13 dizi. Örnek 2: 128 + 4096 + 128 + 33 = 4385 parametre. Kısayol 4H²: tek girişte H en az 21 ise hata %10'dan az; H = 8'de %22, 32 kanalda %51. Örnek 3: 31. birim, i = 0.5714, g = 0.5323, o = 0.5559, c1 = 0.3042, h1 = 0.1641 (MATLAB ile aynı). Kısayol σ(a) ≈ 0.5 + a/4: |a| en çok 1 iken hata en çok 0.019; a = 3'te 1.25 çıkar. Örnek 4: 3 × 200 = 600 yineleme; kayıp 0.8405'ten 0.0204'e; √0.0204 × 117 = 16.71 MW; açık döngü RMSE 16.2337 MW, test gürültüsü 14.99. Örnek 5: kapalı döngü RMSE 17.8946 MW, dünkü aynı saat 21.4165 MW. Kısayol σ√2 = 21.21: 6000 denemede oran ortalama 1.41, 96 saatte 1.17 ile 1.67 arası; hafta sonu düşüşünde bozulur. Örnek 6: gizli durumun ilk iki bileşeni %94.0 ve günde bir tur atar. Sınır: veri yalnız günlük periyodik; yük 100 MW düşse kapalı döngü 101.34, açık döngü 105.31, dünkü aynı saat 52.68 MW: ağ saati öğrendi, seviyeyi değil. Gerçek hata: satır vektör 24 kanal sayılır. Not: Ekrandaki komutlar dersin akışı için kısaltılmıştır. Ekranda yazılmayan adımlar: yük verisinin üretimi (rng, t, yuk), XTr = {}; TTr = {};, trainingOptions ve trainnet çağrısı (opts, net, info). net.Layers(2) ancak trainnet sonrasında çalışır. Bu derste: 1. LSTM tek zihinsel model: defter, üç kapı, hücre ve gizli durum 2. Normalleştirme yalnız eğitimden: bilgi sızıntısı tuzağı 3. Eğitim dizisi sayısı elle: 13 dizi, hedef bir adım kaydırılmış 4. Parametre sayımı: 4385; 4H² kısayolu ve sınırı 5. Bir LSTM adımı elle: giriş, aday, çıkış kapısı; MATLAB ile aynı sonuç 6. Yineleme 600, kayıptan megavata; gürültü tabanı 7. Açık döngü, kapalı döngü, RMSE; dünkü aynı saatle kıyas ve σ√2 kısayolu 8. 3B gizli durum halkası; 100 MW düşüş denemesi; gerçek boyut hatası Bölümler: 0:00 Problem: yarının yükü 0:39 Kaynak kitap ve kapsam 1:04 Mantık: LSTM bir defter 1:39 (a) Normalleştirme ve sızıntı tuzağı 2:31 (b) Kaç eğitim dizisi? 3:14 Parametre sayımı ve 4H² kısayolu 4:14 Bir adım elle: kapılar 5:08 Hücre, gizli durum, sigmoid kısayolu 5:54 Eğitim: 600 yineleme, kayıp kaç MW? 6:37 Açık döngü: megavata dönüş 7:25 RMSE elle ve MATLAB'da 8:02 Kapalı döngü: yarını tahmin 8:42 Dünkü aynı saat: σ√2 kısayolu 9:20 3B gizli durum: ağın saati 9:47 Sınır: 100 MW düşüş denemesi 10:30 Gerçek hata: zaman × kanal 10:52 Ne yaptık? 11:10 Kural ve sıradaki konu Gerekli MATLAB eklentileri: Deep Learning Toolbox 26.2 (MATLAB R2026b): sequenceInputLayer, lstmLayer, fullyConnectedLayer, trainingOptions, trainnet, predict, resetState. Veri hazırlığı ve değerlendirme (mean, std, rms, svd, round, randn, rng, size, numel, zeros) temel MATLAB ile yapılabilir. Kaynak kitap: Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning (MIT Press, 2016): Bölüm 10. Rob J Hyndman, George Athanasopoulos, Forecasting: Principles and Practice, 3. baskı (OTexts): 5.2 ve 5.8. Konu sırası ve tanımlar kitaplardan; veri, sayılar, animasyonlar ve örnekler özgündür. Her sonuç MATLAB'dan bağımsız bir Python denetimiyle doğrulandı (kaydedilen ağırlıklarla kendi LSTM ileri geçişimiz MATLAB tahminleriyle 2e-3 içinde). Anlatım yapay zekâ sesiyle (Gemini) seslendirildi; ders kurgusu, örnekler ve MATLAB çalıştırmaları özgündür. Hedef kitle: mühendislik öğrencileri (bilgisayar, elektrik, endüstri, makine), makine öğrenmesi ve zaman serisi dersi alanlar, yük ve talep tahminiyle çalışanlar. Ön koşul: matris çarpımı, ortalama ve standart sapma; MATLAB'da komut penceresi.

Bu videoyu izlemek için Premium üyelik gerekir.