Comparison of Machine Learning Methods in Turkey's Short-Term Electricity Load Demand Estimation

Abstract

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. 

Keywords

• Machine Learning
• Artificial Neural Network
• Support Vector Regression
• Lasso Regression
• Ridge Regression

Türkiye Kısa Dönem Elektrik Yük Talep Tahmininde Makine Öğrenmesi Yöntemlerinin Karşılaştırılması

Abstract

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.

Keywords

• Makine Öğrenmesi
• Yapay Sinir Ağları
• Destek Vektör Regresyonu
• Lasso Regresyon
• Ridge Regresyon
• Machine Learning
• Artificial Neural Network
• Support Vector Regression
• Lasso Regression
• Ridge Regression

References

1. Haliloğlu, Y.E., & Tutu, E. B. (2018). Türkiye İçin Kısa Vadeli Elektrik Enerjisi Talep Tahmini. Journal of Yasar University, 13-51, 243-255.
2. Kell, A.J.M, McGough, A.S., & Forshaw, M., (2021). The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets. Sustainable Computing: Informatics and Systems, 30.
3. Naik, J., Bisoi, R., & Dash, P.K., (2018). Prediction interval forecasting of wind speed and wind power using modes decomposition based low rank multi-kernel ridge regression. Renewable Energy, 129, 357-383.
4. Lv, J., Zheng, X., Pawlak, M., Mo, W., & Miskowicz, M. (2021). Very short-term probabilistic wind power prediction using sparse machine learning and nonparametric density estimation algorithms. Renewable Energy, 177, 181-192.
5. Allee, A., Williams, N.J., Davis, A., & Jaramillo P. (2021). Predicting initial electricity demand in off-grid Tanzanian communities using customer survey data and machine learning models. Energy for Sustainable Development, 62, 56-66.
6. Yildiz, B., Bilbao, J.I., & Sproul, A.B. (2017). A review and analysis of regression and machine learning models on commercial building electricity load forecasting. Renewable and Sustainable Energy Reviews, 73, 1104-1122.
7. Bitirgen, K., & Filik, Ü.B. (2020). Electricity Price Forecasting based on XGBooST and ARIMA Algorithms. BSEU Journal of Engineering Research and Technology, 1, 1.
8. Alsafadi, M., & Filik, Ü.B. (2020). Hourly Global Solar Radıatıon Estimation Based On Machine Learning Methods in Eskişehir. Eskişehir Technical University Journal of Science and Technology, 21(2), 294- 313.

9. Yürek, E.Ö., Birant, D., & Yürek, İ. (2021). Wind Power Generation Prediction Using Machine Learning Algorithms. Dokuz Eylul University Faculty of Engineering Journal of Science and Engineering, 67, 107-119.
10. Ali, S., Mansoor, H., Khan, I., Arshad, N., Khan, M.A., & Faizullah, S. (2020). Short-Term Load Forecasting Using AMI Data. Electrical Engineering and Systems Science, Signal Processing August 13, 2020, Cornell University.
11. Huo, J., Shi, T., & Chang, J. (2016). Comparison of Random Forest and SVM for Electrical Short-term Load Forecast with Different Data Sources. 7th IEEE International Conference on Software Engineering and Service Science (ICSESS), 26-28 Aug. 2016, Beijing, China.
12. Wang, Y., Shen, Y., Mao, S., Chen, X., & Zou, H. (2019). LASSO and LSTM Integrated Temporal Model for Short-Term Solar Intensity Forecasting. IEEE Internet of Things Journal, 6, 2.
13. Küçük, A. (2019). Doğrusal Regresyonda Ridge, Liu ve Lasso Tahmin Edicileri Üzerine Bir Çalışma. Yüksek Lisans Tezi, Hacettepe Üniversitesi, İstatistik Anabilim Dalı, Ankara.
14. [Shirzadi, N., Nizami, A., Khazen, M., & Bakht, N.M. (2021). Medium-Term Regional Electricity Load Forecasting through Machine Learning and Deep Learning. Designs, 5(2), 27.
15. Kaur, M., Panwar, S., Joshi, A., & Gupta, K. (2021). Residential Electricity Demand Prediction using Machine Learning. International Semantic Intelligence Conference, February 25-27, New Delhi, India.
16. Waciko, K.J., & Ismail, B. (2020). Performance of Shrinkage Methods for Forecasting GDP. International Journal of Advanced Science and Technology, 29 (5), 7792-7799.
17. Portabales, A.R., Nores, M.L., & Arias, J.J.P. (2021). Systematic review of electricity demand forecast using ANN-based Machine Learning algorithms. Preprints (www.preprints.org), Not Peer-Revıewed, Posted: 21 May.
18. Khan, P.W., Byun, Y.C., Lee, A.J., Kang, D.H., Kang, J.Y., & Park, H.S. (2020). Machine Learning-Based Approach to Predict Energy Consumption of Renewable and Nonrenewable Power Sources. Energies, 13, 2681.
19. Mitchell, G., Bahadoorsingh, S., Ramsamooj, N., & Sarmaca., (2017). A Comparison of Artificial Neural Networks and Support Vector Machines for Short-term Load Forecasting using Various Load Types. 2017 IEEE Manchester PowerTech, 117044934.
20. Mohammad, F., Lee, K.B., & Kim, Y.C., (2018). Short Term Load Forecasting Using Deep Neural Networks. International Symposium on Information Technology Convergence, 2018, South Korea.
21. Küçük, D., & Gezer, D. (2020). Enerji Alanındaki Tahmin Problemleri İçin Makine Öğrenmesi ve Derin Öğrenme Yöntemlerinin Kullanılması. Elektrik İletim ve Üretiminde Enerji Verimliliği Sempozyumu, 2020, Ankara.
22. Işılar, M., & Bulut, Y.M. (2021). Farklı Yanlılık Parametreleri İçin Ridge GM Tahmin Edicilerinin Performanslarının Karşılaştırılması. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 8(1), 203-216.
23. Yıldıran, A., & Kandemir, S.Y. (2018). Yağış Miktarının Yapay Sinir Ağları ile Tahmini. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 5(2), 97-104.
24. TEİAŞ. (2021). Yıllık Rapor. https://www.teias.gov.tr/tr-TR/turkiye-elektrik-uretim-iletim-istatistikleri, (Erişim tarihi: 20.05.2021).
25. Aydın, D., Kavak A. F., & Toros H. (2015). Isınma ve Soğuma Derece Günlerin Elektrik Tüketimi Üzerindeki Etkisi. 7th Atmospherıc Sciences Symposıu, 2015, İstanbul.
26. Nebati, E.E., Taş, M., & Ertaş, G. (2021). Türkiye’de Elektrik Tüketiminde Talep Tahmini: Zaman Serisi ve Regresyon Analizi ile Karşılaştırma. European Journal of Science and Technology, 31, 348-357.
27. Demirezen, S., & Çetin, M. (2021). Rassal Orman Regresyonu ve Destek Vektör Regresyonu ile Piyasa Takas Fiyatının Tahmini. Journal of Quantitative Sciences, 3(1), 1-15.
28. Çınaroğlu, S. (2017). Sağlık Harcamasının Tahmininde Makine Öğrenmesi Regresyon Yöntemlerinin Karşılaştırılması. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 22(2), 179-200.
29. Demir, Y. (2021). Çoklu Doğrusal Regresyon ve Bazı Cezalı Tahmin Yöntemlerinin İncelenmesi. Gece Kitaplığı, Sosyal ve Beşerî Bilimlerde Teori ve Araştırmalar II, pp.261-276, Chapter 44.
30. Yavuz, S., & Deveci, M. (2013). Statiksel Normalizasyon Tekniklerinin Yapay Sinir Ağın Performansına Etkisi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40, 167-187.
31. Hahn, H., Meyer-Nieberg, S., & Pickl, S. (2009). Electric load forecasting methods: Tools for decision making. European Journal of Operational Research, 199(3), 902-907.
32. Bekçioğulları, M. F., Dikici, B., Açıkgöz, H., & Keçecioğlu, Ö.F. (2021). Güneş Enerjisinin Kısa-Dönem Tahmininde Farklı Makine Öğrenme Yöntemlerinin Karşılaştırılması. EMO Bilimsel Dergi, 11, 22.
33. Kuşkapan, E., Çodur, M. K., & Çodur, M.Y. (2022). Türkiye’deki Demiryolu Enerji Tüketiminin Yapay Sinir Ağlari ile Tahmin Edilmesi. Konya Journal of Engineering Sciences, 10(1), 72-84.
34. Özkan, E., Güler, E., & Aladağ, Z. (2020). Elektrik Enerjisi Tüketim Verileri İçin Uygun Tahmin Yöntemi Seçimi. Journal of Industrial Engineering. 31(2), 198-214.
35. Kara, A. (2019). Uzun-Kısa Süreli Bellek Ağı Kullanarak Global Güneş Işınımı Zaman Serileri Tahmini. Gazi Üniversitesi Fen Bilimleri Dergisi, Part C, 7(4), 882-892.