Supply-demand management of the energy sector is of prime importance for rapidly growing economies and developing countries. Depending on the increasing population, the rising economy, and the developments in the industry, the countries' energy needs are increasing to a great extent. Therefore, using models to accurately and reliably predict future electricity supply-demand trends has attracted the attention of consumers and investors in this field. In this study, Artificial Neural Networks, Ridge Regression, Lasso Regression and Support Vector Regression, proven successes in the literature, are used to realize Turkey's short-term electric load demand estimation. Data used in the forecasting models were obtained from the Turkish Electricity Transmission Corporation. A one-hour future estimation is accomplished using a past year-long dataset of electrical energy. To compare the results obtained from the methods, RMSE, MAE and R2 values, frequently used in the literature, were calculated. The comparison results show that the Artificial Neural Networks were more successful with RMSE=0.86, MAE=0.62 and R2=0.97 results among the developed machine learning models.
Machine Learning Artificial Neural Network Support Vector Regression Lasso Regression Ridge Regression
Enerji sektöründe arz-talep yönetimi, gelişmekte olan ve büyüyen ülke ekonomileri için öncelikli öneme sahiptir. Artan nüfusa, yükselen ekonomiye ve sanayideki gelişmelere bağlı olarak ülkelerin enerji ihtiyaçları da büyük ölçüde artmaktadır. Bu nedenle, gelecekteki elektrik arz-talep eğilimlerinin doğru ve güvenilir bir şekilde tahmin edilmesi için modeller kullanılması, tüketiciler ve bu alandaki yatırımcılar için dikkat çeken bir konu olmuştur. Bu çalışmada, Türkiye kısa dönem elektrik yük talep tahminini gerçekleştirebilmek için başarıları literatürde kanıtlanmış makine öğrenmesi yöntemlerinden, Yapay Sinir Ağları, Ridge Regresyon, Lasso Regresyon ve Destek Vektör Regresyonu kullanılmıştır. Tahmin modellerinde kullanılan veriler Türkiye Elektrik İletim Anonim Şirketi’nden temin edilmiştir. Geçmişe dönük saatlik frekansta ölçülmüş bir yıllık veri seti ile bir saatlik ileriye yönelik tahminler gerçekleştirilmiştir. Yöntemlerden elde edilen sonuçların karşılaştırılabilmesi için literatürde sık kullanılan performans ölçüt kriterlerinden RMSE, MAE ve R^2değerleri hesaplanmıştır. Yapay Sinir Ağları, geliştirilen makine öğrenmesi modelleri arasında RMSE=0,86, MAE=0,62 ve R^2=0,97 sonuçları ile daha başarılı bulunmuştur.
Makine Öğrenmesi Yapay Sinir Ağları Destek Vektör Regresyonu Lasso Regresyon Ridge Regresyon Machine Learning Artificial Neural Network Support Vector Regression Lasso Regression Ridge Regression
Primary Language | Turkish |
---|---|
Subjects | Engineering |
Journal Section | Articles |
Authors | |
Publication Date | December 31, 2022 |
Submission Date | October 5, 2021 |
Acceptance Date | July 25, 2022 |
Published in Issue | Year 2022 Volume: 9 Issue: 2 |