Türkiye elektrik tüketim dinamiklerinin makine öğrenmesi modelleriyle analizi
Analysis of turkey electricity consumption dynamics with machine learning models
- Tez No: 992219
- Danışmanlar: DR. ÖĞR. ÜYESİ MURAT DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İzmir Bakırçay Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, Türkiye'nin 2024–2035 dönemi elektrik tüketiminin tahmin edilmesi amacıyla Lasso Regresyon, Ridge Regresyon, Destek Vektör Regresyonu (DVR) ve Yapay Sinir Ağları (YSA) yöntemleri uygulanmıştır. Analizlerde, 1990–2023 yıllarını kapsayan nüfus, gayri safi yurt içi hasıla (GSYİH), ihracat, ithalat, kurulu güç, sanayi üretim endeksi, turizm geliri ve ışık yoğunluğu değişkenlerinden oluşan yıllık veri seti kullanılmıştır. Çalışmada iki farklı tahmin stratejisi izlenmiştir; deterministik ve olasılıksal. Deterministik yaklaşımda, dört makine öğrenmesi modeli kullanılarak düşük, orta ve yüksek büyüme senaryolarına göre tahminler gerçekleştirilmiştir. Olasılıksal yaklaşımda ise, dört makine öğrenmesi modeli ile Monte Carlo Simülasyonu uygulanarak binlerce rastgele senaryo oluşturularak belirsizlik analizi yapılmıştır. Bu kapsamda elde edilen olasılıksal sonuçlar, elektrik talebinin gelecekteki varyasyonlarını ve potansiyel risk alanlarını değerlendirmek için kullanılmıştır. Elde edilen deterministik ve olasılıksal tahmin sonuçları, Türkiye'nin 2035 yılı elektrik tüketimine ilişkin Ulusal Enerji Planı (UEP-2035) hedefi olan 510.5 TWh ile karşılaştırılmıştır. Bu sonuçlar, makine öğrenmesi modellerinin deterministik senaryolar ve olasılıksal Monte Carlo simülasyonu ile kullanılmasının, Türkiye'nin gelecekteki elektrik talebine yönelik daha güvenilir, esnek ve risk odaklı öngörüler sunduğunu ortaya koymaktadır.
Özet (Çeviri)
In this thesis study, Lasso Regression, Ridge Regression, Support Vector Regression (SVR), and Artificial Neural Networks (ANN) methods were applied to forecast Turkey's electricity consumption for the 2024–2035 period. The analyses used an annual dataset covering the years 1990–2023, consisting of variables such as population, gross domestic product (GDP), exports, imports, installed capacity, industrial production index, tourism revenue, and light intensity. Two different forecasting strategies were followed in the study: deterministic and probabilistic. In the deterministic approach, forecasts were made according to low, medium, and high growth scenarios using four machine learning models. In the probabilistic approach, uncertainty analysis was performed by creating thousands of random scenarios using Monte Carlo Simulation with four machine learning models. The probabilistic results obtained in this context were used to assess future variations in electricity demand and potential risk areas. The deterministic and probabilistic forecast results obtained were compared with the National Energy Plan (UEP-2035) target of 510.5 TWh for Turkey's electricity consumption in 2035. These results demonstrate that the use of machine learning models with deterministic scenarios and probabilistic Monte Carlo simulation provides more reliable, flexible, and risk-focused forecasts for Turkey's future electricity demand.
Benzer Tezler
- Makine öğrenmesi kullanarak Türkiye'de elektrikli araç şarj istasyonlarının potansiyel kullanım performansının mekânsal tahmini
Spatial estimation of potential utilization performance of electric vehicle charging stations in Türkiye using machine learning methods
SERKAN TANRIVERDİ
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ADALET DERVİŞOĞLU
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Comparative analysis of XGBoost and LightGBM methods for day ahead spot natural gas price forecasting
Gün öncesi spot doğalgaz fiyatı tahminlemesinde LightGBM ve XGBoost metodlarının karsılastırılmalı analizi
DOĞUKAN ŞAHİN
Yüksek Lisans
İngilizce
2022
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
- An agent-based approach to assess the impact of electricity generation on carbon emissions
Bir ajan temelli yaklaşim ile elektrik üretiminin karbon emisyonlari üzerindeki etkisinin değerlendirilmesi
DENİZHAN GÜVEN
Doktora
İngilizce
2025
Enerjiİstanbul Teknik Üniversitesiİklim ve Deniz Bilimleri Ana Bilim Dalı
PROF. DR. MEHMET ÖZGÜR KAYALICA
PROF. DR. ÖMER LÜTFİ ŞEN
- Residential energy consumption analysis through datadriven energy forecasting with environmental andbehavioural factors
Çevresel ve davranışsal faktörlerleveri odaklı enerji tahmini aracılığıylakonut enerji tüketiminin analizi
MİRAÇ DURHAN
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ LALE ERDEM ATILGAN
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
DOÇ. DR. OĞUZHAN CEYLAN