Elektrik enerjisi talep tahmini: Aydın, Denizli ve Muğla bölgesi örneği
Electric energy demand forecasting: the case of Aydin, Denizli, and Muğla regions
- Tez No: 931215
- Danışmanlar: PROF. DR. TURGAY TUGAY BİLGİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Enerji, İstatistik, Computer Engineering and Computer Science and Control, Energy, Statistics
- Anahtar Kelimeler: Yapay zeka ve makine öğrenmesi dersi, Artificial intelligence and machine learning course
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Bursa Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Akıllı Sistemler Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Akıllı Sistemler Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, Türkiye elektrik piyasasında faaliyet gösteren dağıtım ve perakende şirketlerinin enerji tahmin algoritmalarını geliştirme sürecinde karşılaştıkları zorlukları ele alarak, Aydın, Denizli ve Muğla illerinin toplam elektrik tüketimini saatlik olarak tahmin etmeyi amaçlamaktadır. Temel hedef, enerji dağıtımında tahmin doğruluğunu artırmak, mevsimsel ve bölgesel talep değişkenliklerini analiz etmek ve hangi modellerin daha başarılı sonuçlar verdiğini belirlemektir. Bu doğrultuda CatBoost, BiLSTM ve Transformer modelleri kullanılarak saatlik elektrik talep tahminleri gerçekleştirilmiştir. Elektrik tüketim tahminleri, 24 saatlik olarak tahmin edilmiştir. Tahminleri iki farklı senaryo ve iki farklı zaman dilimi üzerinden oluşturulmuştur. Senaryo yapısının amacı, gün içi ve gün öncesi piyasası işlemleri sonuçlarını simüle etmektir. Birinci senaryo ilk olarak her günün tahminini yaparken bir önceki günün son saatine (t-1) kadar olan verilere erişim sağlamaktadır. İkinci senaryoda ise iki gün öncesinin son saat verisine (t-25) erişim sağlamaktadır. Ayrıca modellerin farklı zaman dilimlerine nasıl tepki verdikleri gözlenebilmesi adına mart ve temmuz aylarından 15 günlük tahminler yapılmıştır. Böylelikle farklı durumlara karşı model performansları incelenebilmiştir. Tahmin performansları MAPE ve RMSE metrikleri ile ölçülmüş ve CatBoost modelinin her iki senaryoda da en başarılı tahmin performansını sunduğunu göstermiştir. Transformer modeli, mart ayının stabil talep desenlerinde CatBoost'a yakın sonuçlar üretirken, temmuz ayının dalgalı talep yapısında performansında düşüş gözlemlenmiştir. BiLSTM modeli ise zaman serisi verilerindeki kısa vadeli dalgalanmaları yeterince yakalayamaması nedeniyle her iki senaryoda da daha yüksek hata oranlarına sahip olmuştur. Çalışmada kullanılan yaklaşımların hem gün içi piyasası hem de gün öncesi piyasası işlemlerinde güvenilir tahminlerin yapılabileceğini ve dağıtım ile perakende şirketlerinin piyasa işlemlerinde zararlarını minimize edebilecek stratejiler geliştirebileceğini göstermektedir. Bu çalışma, elektrik talep tahmin modellerinin mevsimsel ve bölgesel dinamiklere adapte edilmesi gerektiğini vurgulamakta ve enerji yönetimi süreçlerinde veri odaklı stratejilerin geliştirilmesine önemli katkılar sunmaktadır. Elde edilen bulgular, enerji planlama ve piyasa stratejilerinin daha güvenilir ve etkin hale getirilmesine olanak sağlayarak sektöre değerli bir rehber niteliği taşımaktadır.
Özet (Çeviri)
This study aims to forecast the hourly electricity consumption of Aydın, Denizli, and Muğla provinces by addressing the challenges faced by distribution and retail companies operating in the Turkish electricity market during the development of energy prediction algorithms. The primary objective is to enhance forecast accuracy in energy distribution, analyze seasonal and regional demand variability, and identify which models yield the most successful results. Accordingly, hourly electricity demand forecasts were conducted using CatBoost, BiLSTM, and Transformer models. Electricity consumption forecasts were made on a 24-hour basis across two different scenarios and timeframes. The purpose of these scenarios is to simulate the outcomes of Day-Ahead Market (DAM) and Intraday Market (IDM) operations. In the first scenario, the forecast for each day was made using data up to the last hour of the previous day (t-1). In the second scenario, data from two days prior (t-25) were used. Additionally, 15 day forecasts were made for March and July to observe how the models responded to different time periods. This approach allowed for a detailed performance comparison of the models under varying conditions. Forecast performance was evaluated using the MAPE (Mean Absolute Percentage Error) and RMSE (Root Mean Squared Error) metrics. The results demonstrated that the CatBoost model consistently delivered the most accurate predictions across both scenarios. While the Transformer model produced results comparable to CatBoost during March's stable demand patterns, its performance declined under the volatile demand patterns observed in July. On the other hand, the BiLSTM model exhibited higher error rates in both scenarios due to its limited ability to capture short-term fluctuations in time series data. The findings indicate that the approaches used in this study enable reliable forecasts for both Day-Ahead Market (DAM) and Intraday Market (IDM) operations. Furthermore, these results suggest that distribution and retail companies can develop strategies to minimize financial losses in market transactions by leveraging these predictive models effectively. This study emphasizes the necessity of adapting electricity demand forecasting models to seasonal and regional dynamics, offering significant contributions to the development of data driven strategies in energy management processes. The findings provide valuable insights for improving the reliability and efficiency of energy planning and market strategies, serving as a practical guide for stakeholders in the energy sector.
Benzer Tezler
- Üretim tesisindeki günlük elektrik enerjisi tüketiminin regresyon analizi ve yapay sinir ağları ile tahmin edilmesi ve karşılaştırılması
Estimation and comparison of daily electric energy consumption with regression analysis and artificial neural networks methods for the facility
AYDIN DİZMENLER
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİzmir Bakırçay ÜniversitesiAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HATİCE BAŞAK AYANA
- Kadıköy - Göztepe ilçeleri için yapay sinir ağları ile rüzgâr şiddeti ve güneş radyasyonu tahmini
Estimation and performance analysis of wind and solar energy potential
BURAK KAYA
Yüksek Lisans
Türkçe
2022
Enerjiİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZAFER ASLAN
- Yapay zekâ (yapay sinir ağları) yöntemi ve meteoroloji verileri kullanılarak Sivas-merkez 1.organize sanayi bölgesinin kısa dönem elektrik enerjisi yük tahmini
Short-term electricity load forecasting using artificial intelligence (artificial neural networks) method and meteorologi̇cal data for Sivas-central 1st organi̇zed industrial zone
SEYİT AHMET KEKLİKCİ
Yüksek Lisans
Türkçe
2025
EnerjiSivas Cumhuriyet ÜniversitesiEnerji Bilimleri ve Teknoloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUNİS TORUN
- Yapay sinir ağları ile Türkiye elektrik piyasası fiyat tahmini
Electricity price forecasting in the Turkish market using artificial neural networks
AYLİN BÜYÜKMIHCI
- Elektrikli araç şarj istasyonlarının akıllı şebekelerle entegrasyonunun sağlanması ve bu istasyonların şebekeye getireceği yükün incelenmesi: Bursa örneği
Ensuring the integration of electric vehicle charging stations with smart grids and investigation of the load that these stations bring to the network: Bursa
ENES AVCİ
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSA AYDIN