Türkiye elektrik tüketiminin makine öğrenmesi yöntemleri ile tahmini
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İSTATİSTİK ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: DENİZ HERSEK
Danışman: Gülhayat Gölbaşı Şimşek
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Tarih boyunca süregelen insanoğlunun günlük yaşantısında en çok ihtiyaç duyduğu enerji türü elektrik enerjisi olmuştur. Teknoloji, sanayi, üretim, tıp, ulaşım ve haberleşme gibi pek çok alanda elektrik enerjisinden faydalanılmaktadır. Elektrik tüketimi teknolojik ilerlemler, ülkelerin ekonomik büyümesi, endüstrileşme ve nüfus artışı gibi etkenlere bağlı olarak kesintisiz bir artış göstermektedir. Enerji talebinin büyük bir bölümünü oluşturan elektrik tüketimi, modern yaşamın da birçok yönünü desteklemektedir. Elektrik enerjisinin bir ülkenin ekonomi büyümesi üzerinde durulması gereken önemli bir nokta olduğunu ihmal etmemeliyiz. Türkiye, ekonomik yapısı ile dünyanın en hızlı büyüyen ülkelerinden biri olarak değerlendirilmektedir. Ülkemizin varlık içinde yaşama seviyesi, teknoloji, üretim ve sanayi gibi önemli unsurların yükselişi için elektrik tüketimi hakkında fikir sahibi olunması ve elektrik tüketim tahminin yapılması oldukça önem arz etmektedir. Bu çalışmalar enerji politikalarının oluşturulması açısından büyük önem taşımaktadır. Makine öğrenimi algoritmaları bizlere bu yolda büyük deneyimler sağlamaktadır. Literatürde yer alan çalışmalar kapsamında elektrik tüketim tahmini için çeşitli makine öğrenimi algoritmaları kullanılmıştır. Bu çalışma, Türkiye'de 31.12.2015 ile 22.03.2022 tarihleri arasındaki Elektrik Tüketim Miktarı veri seti üzerinde makine öğrenmesi, derin öğrenme ve istatistiksel analiz tekniklerinin kapsamlı bir analiz incelemesini sunmaktadır. Uygulamada bu teknikler arasında LSTM, XGBoost, RNN, GRU ve ANN kullanılmıştır. Çalışmanın amacı, regresyon analizinde karşılaşılan otokorelasyon veya artıkların normal dağılmaması gibi problemlere çözüm getirebilecek, güçlü teorik bir yapıya sahip metodlar kullanarak başarılı tahminler üretmektir. Modellerin değerlendirilmesi aşamasında, 10 katlı çapraz doğrulama yöntemi kullanılmış ve çeşitli hiperparametrelerle denenmiştir. Çalışmada en düşük MAE (ortalama mutlak hata), MSE (ortalama kare hatası) ve RMSE (kök ortalama kare hatası) hata metriklerine sahip modeler seçilerek, test verisi üzerindeki performansları karşılaştırılmıştır. Çalışma sonucunda her bir modelin kendine özgür başarıları olmuştur. XGBoost ve ANN yöntemleri diğerlerine göre daha etkileyici sonuçlar göstermiştir. XGBoost modeli, MAE, MSE, ve RMSE için sırasıyla %10.8, %1,6 ve %12,8 olarak hesaplanmıştır. Çıktı değerlerine bakıldığında Türkiye'nin elektrik tüketimi tahmini için XGBoost modelinin daha iyi performans verdiği tespit edilmiştir.