Türkiye geneli saatlik elektrik tüketiminin makine öğrenmesi yöntemleri ile tahmin edilmesi
Forecasting Turkey's hourly electricity consumption using machine learning methods
- Tez No: 985562
- Danışmanlar: DOÇ. DR. ŞEHMUS ASLAN
- Tez Türü: Yüksek Lisans
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Elektrik Talep Tahmini, Makine Öğrenmesi, Zaman Serisi Tahmini, ARIMA, Rastgele Orman, XGBoost, Yapay Sinir Ağları, Electricity Demand Forecasting, Machine Learning, Time Series Forecasting, ARIMA, Random Forest, XGBoost, Artificial Neural Networks
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Mardin Artuklu Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasının amacı, Türkiye'nin saatlik elektrik tüketimini tahmin etmede geleneksel bir zaman serisi modeli olan ARIMA ile dört farklı makine öğrenmesi yönteminin (Doğrusal Regresyon, Rastgele Orman, XGBoost ve Yapay Sinir Ağları) performansını karşılaştırmalı olarak değerlendirmektir. Çalışmada, Türkiye Elektrik İletim A.Ş. (TEİAŞ)'den sağlanan 1 Ocak 2019 - 31 Aralık 2024 tarihlerini kapsayan saatlik elektrik tüketim verileri kullanılmıştır. Deneysel sonuçlar, makine öğrenmesi yöntemlerinin geleneksel ARIMA modeline kıyasla belirgin bir üstünlük sergilediğini ortaya koymuştur. ARIMA modeli negatif bir R² değeri (-0,2865) ve %14,65'lik MAPE ile tatmin edici olmayan sonuçlar verirken, topluluk makine öğrenmesi yöntemleri en yüksek performansı göstermiştir. Rastgele Orman modeli % 0,9893 R² ve %1,19 MAPE değerleriyle en iyi performansı sergilerken, XGBoost modeli %0,9876 R² ve %1,27 MAPE ile onu yakından takip etmiştir. Yapay Sinir Ağları modeli% 0,9808 R² ve %1,72 MAPE, Doğrusal Regresyon modeli ise% 0,9714 R² ve %2,05 MAPE ile yüksek ve kabul edilebilir doğruluk oranları elde etmiştir.Sonuç olarak, bu çalışma Türkiye'nin saatlik elektrik tüketim tahmini için Rastgele Orman ve XGBoost gibi topluluk temelli makine öğrenmesi yöntemlerinin operasyonel kullanımının üstünlüğünü net bir şekilde ortaya koymakta ve enerji sektörü paydaşları için daha doğru, güvenilir ve verimli bir tahmin altyapısı önermektedir.
Özet (Çeviri)
The aim of this thesis is to comparatively evaluate the performance of a traditional time series model, ARIMA, and four different machine learning methods—Linear Regression, Random Forest, XGBoost, and Artificial Neural Networks (ANN)—in forecasting Turkey's hourly electricity consumption. The study utilizes hourly electricity consumption data provided by the Turkish Electricity Transmission Corporation (TEİAŞ), covering the period from January 1, 2019, to December 31, 2024. Experimental results reveal that machine learning methods significantly outperform the traditional ARIMA model. While the ARIMA model yielded unsatisfactory results with a negative R² value of -0.2865 and a MAPE of 14.65%, ensemble-based machine learning methods demonstrated the highest performance. The Random Forest model achieved the best results with an R² of 0.9893 and a MAPE of 1.19%, closely followed by the XGBoost model with an R² of 0.9876 and a MAPE of 1.27%. The Artificial Neural Networks model achieved an R² of 0.9808 and a MAPE of 1.72%, while the Linear Regression model obtained an R² of 0.9714 and a MAPE of 2.05%, indicating high and acceptable accuracy levels. In conclusion, this study clearly demonstrates the superiority of ensemble-based machine learning approaches such as Random Forest and XGBoost for forecasting Turkey's hourly electricity consumption and proposes a more accurate, reliable, and efficient forecasting framework for stakeholders in the energy sector.
Benzer Tezler
- Enabling adaptive road lighting through lighting class prediction with real time and historical data
Gerçek zamanlı ve geçmiş veriye dayanan aydınlatma sınıfı tahmini ile uyarlanabilir yol aydınlatmasının sağlanması
HASAN MERT TOKGÖZ
Yüksek Lisans
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
- Load demand forecasting using artificial neural networksand fuzzy logic methods
Yapay sinir ağları ve bulanık mantık yöntemleri kullanarak yük talep tahmini
BARQ RAAD KHASHEA AL-ANI
Doktora
İngilizce
2022
Endüstri ve Endüstri MühendisliğiAtılım ÜniversitesiMühendislik Sistemlerinin Modellenmesi ve Tasarımı Ana Bilim Dalı
PROF. DR. TURAN ERMAN ERKAN
- Türkiye'de iklimin enerji piyasasına olan etkileri ve bu etkilerin tahmin edilebilirliği
The effects of climate in Turkey's energy market and predictability of these effects
MURAT KOÇALİ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTürk Hava Kurumu ÜniversitesiElektrik ve Bilgisayar Ana Bilim Dalı
PROF. DR. AHMET COŞAR
DR. ÖĞR. ÜYESİ TAYFUN KÜÇÜKYILMAZ
- A comparative analysis of LSTM and lıghtgbm models in short-term electricity load forecasting: a case study from türkiye
Kısa dönemli yük tahmininde LSTM ve lightgbm modellerinin karşılaştırmalı analizi: Türkiye'den bir vaka çalışması
MUHAMMET FURKAN BAYSAL
Yüksek Lisans
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
- Yaklaşık sıfır enerjili konutlar için güneş enerjisi destekli organik rankine çevriminin ısıl performansının araştırılması
Investigation of the heat performance of the solar energy supported organic rankine cycle for nearly zero energy residants
SERKAN PALAMUT
Yüksek Lisans
Türkçe
2018
Makine MühendisliğiMersin ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN ARSLAN