Rezervuar Hesaplama ile Enerji Tüketim Tahmini: Sivas İli Örneği

Abstract

Enerji tüketim tahmini, enerji kaynaklarının verimli kullanımı ve sürdürülebilir yönetim açısından büyük önem taşır. Bu çalışma, Sivas ilinin 2015-2024 dönemindeki aylık enerji tüketimini öngörmek için Rezervuar Hesaplama (RH) yöntemini incelemektedir. RH, döngüsel sinir ağlarına dayalı bir makine öğrenimi yaklaşımı olup, sabit bir rezervuarla zamansal verileri işler ve yalnızca çıktı katmanını doğrusal regresyonla eğitir. Sivas’a özgü simüle edilmiş veri seti, enerji tüketimi (kWh), sıcaklık ve nüfus verilerini içerir; 120 ay boyunca toplanmış, %80’i eğitim, %20’si test için ayrılmıştır. 100 nodlu RH modeli, Python’da uygulanmış ve Ortalama Mutlak Hata (MAE) ile Kök Ortalama Kare Hata (RMSE) kullanılarak değerlendirilmiştir. Geleneksel ARIMA yöntemine göre daha yüksek doğrulukta sonuçlar elde edilmiştir. Bu çalışma, RH’nin enerji tahmininde hesaplama verimliliği ve doğruluk avantajlarını vurgulayarak, Sivas gibi mevsimsel dalgalanmaların yoğun olduğu bölgeler için pratik bir çözüm sunar. Gelecekte, gerçek verilerle modelin geliştirilmesi önerilmektedir. Bu araştırma, enerji planlamasında yenilikçi yaklaşımların potansiyelini sergilemektedir.

Keywords

• Rezervuar Hesaplama
• Enerji Tahmini
• Yapay Sinir Ağları
• Makina Öğrenme

Energy Consumption Prediction with Reservoir Computing: The Case of Sivas Province

Abstract

Energy consumption forecasting holds significant importance for the efficient use of energy resources and sustainable management. This study examines the application of Reservoir Computing (RC) to predict monthly energy consumption in Sivas, Turkey, over the period from 2015 to 2024. RC, a machine learning approach based on recurrent neural networks, processes temporal data using a fixed reservoir and trains only the output layer through linear regression. A simulated dataset tailored to Sivas includes energy consumption (kWh), temperature, and population data, collected over 120 months, with 80% designated for training and 20% for testing. The RC model, featuring 100 nodes, was implemented in Python and assessed using Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE). Results demonstrate higher accuracy compared to the traditional ARIMA method. This study highlights RC’s advantages in computational efficiency and precision, offering a practical solution for regions like Sivas, characterized by significant seasonal fluctuations. It is recommended that the model be further developed with real-world data in the future. This research showcases the potential of innovative approaches in energy planning.

Keywords

• Reservoir Computing
• Energy Forecasting
• Neural Networks
• Machine Learning

References

1. Ahmad, T., & Chen, H. (2018). A review on energy consumption forecasting using machine learning. Energy Reports, 4, 123-130.
2. Avrupa Komisyonu. (2020). 2030 climate & energy framework. https://ec.europa.eu/clima/policies/strategies/2030 adresinden alınmıştır.
3. Bentsen, L., & Warakagoda, N. (2020). Reservoir computing for time series prediction. IEEE Transactions on Neural Networks, 31(6), 2100-2110.
4. Box, G. E. P., & Jenkins, G. M. (1976). Time series analysis: Forecasting and control. Holden-Day.
5. Deb, C., Zhang, F., Yang, J., Lee, S. E., & Shah, K. W. (2017). A review on time series forecasting techniques for building energy consumption. Renewable and Sustainable Energy Reviews, 74, 902-924.
6. Enerji ve Tabii Kaynaklar Bakanlığı. (2021). Türkiye elektrik tüketim istatistikleri. https://www.enerji.gov.tr adresinden alınmıştır.
7. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
8. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780.

9. IEA. (2019). World energy outlook 2019. IEA Publications.
10. Jaeger, H. (2001). The “echo state” approach to analyzing and training recurrent neural networks. German National Research Center for Information Technology Report, 148.
11. Kim, T. Y., & Cho, S. B. (2019). Predicting residential energy consumption using CNN-LSTM neural networks. Energy, 182, 72-81.
12. Kisi, O., & Cimen, M. (2011). A wavelet-support vector machine conjunction model for monthly streamflow forecasting. Journal of Hydrology, 399(1-2), 132-140.
13. Lukoševičius, M., & Jaeger, H. (2012). Reservoir computing approaches to recurrent neural network training. Computer Science Review, 3(3), 127-149.
14. MGM, (2025). Meteoroloji Genele Müdürlüğü. Resmi İklim İstatistikleri, https://www.mgm.gov.tr/veridegerlendirme/.
15. Moon, J., Park, S., & Rho, S. (2019). A comparative analysis of ANN architectures for energy consumption forecasting. International Journal of Electrical Power & Energy Systems, 112, 456-465.
16. Ozturk, S., & Ozturk, F. (2020). Energy consumption trends in Turkey: A statistical analysis. Energy Policy, 140, 111345.
17. Sehovac, L., & Grolinger, K. (2020). Deep learning for energy forecasting in buildings. Energy and Buildings, 223, 110135.
18. Suganthi, L., & Samuel, A. A. (2012). Energy models for demand forecasting—A review. Renewable and Sustainable Energy Reviews, 16(2), 1223-1240.
19. TEDAŞ, (2025). 8. Bölge Müdürlüğü Sivas.
20. TÜİK. (2025). Türkiye İstatistik Yıllığı. Türkiye İstatistik Kurumu. https://data.tuik.gov.tr/
21. Wang, Z., & Srinivasan, R. S. (2017). A review of artificial intelligence-based building energy prediction. Renewable and Sustainable Energy Reviews, 75, 796-808.
22. Zhang, Y., & Yang, Q. (2022). Forecasting energy consumption using SVR and Markov models: A case study of China. Frontiers in Energy Research, 10, 845123.