Geri Dön

Enerji piyasalarında saatlik elektrik tüketim tahmini için veriye dayalı model geliştirme ve maliyet analizi

Data-driven model development and cost analysis for hourly electricity consumption forecasting in energy markets

PDF İndir

  1. Tez No: 984074
  2. Yazar: ŞENEL AYCAN ALTUNBAŞ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ BİLAL ERVURAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Necmettin Erbakan Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Şebeke yükünün dengelenmesi ve özellikle depolama kaynaklı maliyetlerin azaltılması açısından saatlik elektrik tüketiminin doğru tahmin edilmesi büyük önem taşımaktadır. Enerji piyasalarının giderek karmaşıklaştığı günümüzde, tahmin doğruluğu yalnızca teknik başarı kriteri değil, aynı zamanda doğrudan ekonomik sonuçlar üzerinde belirleyici ve çoğu zaman daha kritik bir etkendir. Bu kapsamda, İç Anadolu Bölgesi'ndeki Aksaray, Karaman, Kırşehir, Konya, Nevşehir ve Niğde illerine ait saatlik elektrik tüketimi için veri odaklı tahmin modelleri karşılaştırılmıştır. Çalışmada, makine öğrenmesi yaklaşımlarından Aşırı Gradyan Arttırma (XGBoost) ile birlikte, Yapay Sinir Ağı (YSA) tabanlı, İleri Beslemeli Sinir Ağları (FFNN), Geçitli Tekrarlayan Birim (GRU), Uzun Kısa Süreli Bellek (LSTM) ve 1 Boyutlu Evrişimli Sinir Ağları (1D-CNN) gibi farklı derin öğrenme mimarileri karşılaştırılmıştır. Performans yalnızca hata metrikleri (RMSE, MAE, MAPE, R²) ile değil aynı zamanda Türkiye elektrik piyasası koşullarını esas alan bir dengesizlik maliyeti analizi üzerinden de değerlendirilmiştir. Mayıs 2022–Nisan 2025 dönemini kapsayan 25.752 saatlik veri üzerinde uygulanmış ve veriler kronolojik olarak eğitim, doğrulama ve test kümelerine ayrılmıştır. Bulgular, XGBoost'un en düşük hata değerleriyle en yüksek teknik tahmin doğruluğunu sağladığını göstermektedir. Ancak piyasa temelli analiz, daha yüksek hata oranına rağmen 1D-CNN'in dengesizlik maliyetlerini en fazla azalttığını ve finansal olarak daha verimli bir çözüm sunduğunu ortaya koymuştur. Sonuç olarak, enerji portföy yönetiminde model seçiminde yalnızca teknik doğruluk değil, ekonomik sonuçların da birlikte ele alınması gerektiği vurgulanmıştır.

Özet (Çeviri)

Balancing grid load and reducing the costs arising especially from storage make accurate forecasting of hourly electricity consumption very important. In today's energy markets, forecasting accuracy is not only a technical measure but also an important factor that directly influences economic outcomes, often proving to be even more critical. In this context, data-driven forecasting models are compared for the hourly electricity consumption of six provinces in Central Anatolia: Aksaray, Karaman, Kırşehir, Konya, Nevşehir, and Niğde. In the study, alongside Extreme Gradient Boosting (XGBoost) from machine learning approaches, different deep learning architectures based on Artificial Neural Networks (ANN)—such as Feedforward Neural Networks (FFNN), Gated Recurrent Unit (GRU), Long Short-Term Memory (LSTM), and 1D-Convolutional Neural Networks (1D-CNN)—are compared. Performance is evaluated not only with error metrics (RMSE, MAE, MAPE, R²) but also through an imbalance cost analysis based on the rules of the Turkish electricity market. The models were applied on 25,752 hourly observations covering the period from May 2022 to April 2025, and the data were chronologically split into training, validation, and test sets. The results show that XGBoost provides the highest technical forecasting accuracy with the lowest error values. However, the market-based analysis shows that although 1D-CNN has higher error rates, it achieves the greatest reduction in imbalance costs, offering a more financially efficient solution. In conclusion, the study shows that model selection in energy portfolio management should consider not only technical accuracy but also the economic outcomes that result from the model's performance.

Benzer Tezler

  1. Tez No

    476122

    Short term load forecasting in electricity markets in Turkey

    Türkiye elektrik piyasalarında kısa dönem yük ve fiyat tahmini

    ZEYNEP DUYGU TEKLER

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Endüstri ve Endüstri MühendisliğiIşık Üniversitesi

    Mühendislik Bilimleri Ana Bilim Dalı

    YRD. DOÇ. KEMAL SARICA

  2. Tez No

    392940

    Türkiye elektrik piyasası kısa dönemli referans fiyat tahmini

    Turkish electricity market short term market clearing price forecasting

    SERCAN YILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilimi ve Teknolojileri Ana Bilim Dalı

    PROF. DR. SERMİN ONAYGİL

  3. Tez No

    519009

    Türkiye elektrik enerjisi birim fiyatlarının kaotik analizi

    Chaotic analysis of electrical energy unit prices in Turkey

    SERCAN MACİT

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilimi ve Teknolojileri Ana Bilim Dalı

    PROF. DR. BİHRAT ÖNÖZ

  4. Tez No

    654587

    Turkish electricity market: A bottom-up approach

    Türkiye elektrik piyasalarına temelden-yukarı yaklaşım

    BERKAN SEMER

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    EnerjiBahçeşehir Üniversitesi

    İşletme Bilim Dalı

    DR. ÖĞR. ÜYESİ İREM FIRTINA ERTİŞ

  5. Tez No

    561367

    Verimliliği düşmüş bataryaların hizmet sektöründe kullanımı:Akıllı tesis uygulaması

    Use of repurposed ev batteries in the service sector: A smart facility application

    DENİZHAN GÜVEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilimi ve Teknolojileri Ana Bilim Dalı

    PROF. DR. MEHMET ÖZGÜR KAYALICA

Geri Dön