Elektrik Enerjisi Talebinin Akıllı Tahminine Yönelik Yenilikçi Bir Yaklaşım

Abstract

Enerji talep tahmini, enerji üretimi ve dağıtımının etkili bir şekilde planlanması ve yönetimi için hayati öneme sahiptir. Bu çalışmada, gelecekteki enerji talebini doğru bir şekilde tahmin etmek için veri odaklı yöntemler kullanılmıştır. Talep tahmininde tarihsel tüketim verileri, hava durumu koşulları, ekonomik göstergeler ve demografik bilgiler gibi çok boyutlu veri setlerinden yararlanılmıştır. En uygun modeli seçmek ve doğruluğunu artırmak için çeşitli zaman serisi modelleme yöntemleri ve makine öğrenimi algoritmaları test edilmiştir. Çalışmanın bulguları, enerji tedarikçileri ve yöneticileri için talep dalgalanmalarına daha iyi hazırlanmaları ve kaynakları daha verimli kullanmaları konusunda değerli bilgiler sunmaktadır. Enerji sektöründe doğru talep tahminleri, maliyetlerin azaltılmasına ve enerji arz güvenliğinin iyileştirilmesine önemli ölçüde katkı sağlamaktadır

Keywords

• RNN
• Deep Learning
• Electric Energy Demand
• Forecasting

Intelligent Forecasting of Electric Energy Demand with Artificial Neural Networks

Abstract

Energy demand forecasting is critically important for the effective planning and management of energy production and distribution. Accurate demand forecasts in the energy sector can help reduce costs and enhance the reliability of energy supply. In this study, data-driven methods are employed to predict future energy demand. Multidimensional datasets, including historical consumption data, weather conditions, economic indicators, and demographic information are utilized in the forecasting process. To select the most appropriate model and improve prediction accuracy, various time series modeling techniques and artificial neural network algorithms are tested. The results demonstrate that the RNN-based deep learning model outperforms other methods, such as LSTM and CNN, in terms of forecasting accuracy. Particularly during periods of high variability, such as seasonal transitions, RNN models provide predictions that are more reliable by reducing the Mean Absolute Percentage Error (MAPE) to 9%. This study contributes to the literature by offering a comparative analysis of different forecasting approaches using real-world data. Furthermore, it presents a repeatable and adaptable forecasting framework for energy suppliers and decision-makers, delivering tangible benefits in resource planning and mitigating operational risks

Keywords

• RNN
• Deep Learning
• Electric Energy Demand
• Forecasting

References

1. [1] Ülkü, H., & Yalpır, Ş. (2021). Enerji talep tahmini için metodoloji geliştirme: 2030 yılı Türkiye örneği. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 10(1), 188-201. https://doi.org/10.28948/ngumuh.814134
2. [2] Tekinay, Ç. (2022). Türkiye'nin günlük rüzgâr enerjisi üretiminin derin öğrenme ile modellenmesi. Yüksek Lisans Tezi, Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Istatistik Ana Bilim Dalı, Ankara.
3. [3] Y. Berus ve Y. Benteşen Yakut, “derin öğrenme (1d-cnn, rnn, lstm, bilstm) ile enerji tüketim tahmini: diyarbakır avm örneği”, DÜMF MD, c. 15, sy. 2, ss. 311–322, 2024, doi: 10.24012/dumf.1415055.
4. [4] Bulut, M., & Başoğlu, B. (2017). Kısa dönem elektrik talep tahminleri için yapay sinir ağları ve uzman sistemler tabanlı hibrid tahmin sistemi geliştirilmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi,32(2). https://doi.org/10.17341/gazimmfd.322184.
5. [5] Saglam, M., Spataru, C., & Karaman, O. A. (2022). Electricity demand forecasting with use of artificial intelligence: The Case of Gokceada Island. Energies, 15(16), 5950. https://doi.org/10.3390/en15165950.
6. [6] Yurdoğlu, H. (2023). Bi̇r teksti̇l fabri̇kasının elektri̇k tüketi̇m değerleri̇ni̇n deri̇n öğrenme i̇le tahmi̇nlenmesi̇ [Yayımlanmamış yüksek lisans tezi]. Pamukkale Üni̇versi̇tesi̇.
7. [7] G. Öztürk and O. Eldoğan, “Prediction of Multivariate Chaotic Time Series using GRU, LSTM and RNN”, SAUCIS, vol. 7, no. 2, pp. 156–172, 2024, doi: 10.35377/saucis...1404116.
8. [8] Balcı, F., & Oralhan, Z. (2020). LSTM ile EEG Tabanlı Kimliklendirme Sistemi Tasarımı. Avrupa Bilim Ve Teknoloji Dergisi135-141. https://doi.org/10.31590/ejosat.779526.

9. [9] Özkay, Berkay. (2021). Derin öğrenme kullanılarak Bilecik ili rüzgar hızı tahmini. (Yayımlanmamış yüksek lisans tezi). Bilecik Şeyh Edebali Üniversitesi, Fen Bilimleri Enstitüsü, Bilecik.
10. [10] P. Görgel ve E. Kavlak, “Uzun Kısa Süreli Hafıza ve Evrişimsel Sinir Ağları ile Rüzgar Enerjisi Üretim Tahmini”, DÜMF MD, c. 11, sy. 1, ss. 69–80, 2020, doi: 10.24012/dumf.596533.
11. [11] Ceylan, G., Demirören, A., 2004, Yapay Sinir Ağları ile GölbaĢı Bölgesini Kısa Dönem Yük Tahmini, ELECO‟2004, Bursa.
12. [12] Zhang, Y., & Wang, J. (2019). Energy demand prediction using recurrent neural network: A case study in China. Energy, 184, 98-110.
13. [13] Liu, C., & Xu, Q. (2018). Short-term energy demand forecasting using weather-adjusted recurrent neural networks. Renewable Energy, 123, 568-578.
14. [14] Jebara, A., & Ghorbel, M. (2020). A hybrid model for energy demand forecasting using RNN and LSTM. Journal of Energy Engineering, 146(5), 04020083.
15. [15] Kim, J., & Song, M. (2016). Comparison of recurrent neural networks and traditional time-series models for energy demand forecasting. Energy Conversion and Management, 109, 19-26.
16. [16] Farahat, M. A., 2004, Long-Term Industrial Load Forecasting And Planning Using Neural Networks Technique And Fuzzy Inference Method, IEEE, Universities Power Engineering Conference, Upec 2004 39th International, pp. 368-372.
17. [17] Toker, A.C. ve Korkmaz, O., 2011, Türkiye’nin kısa süreli elektrik talebinin saatlik olarak tahmin edilmesi, 17.Uluslararası Enerji ve Çevre Konferansı, İstanbul, 32-35.
18. [18] Tosun, M. F., & Şentürk, A. (2023). Kasislerin Yakıt Tüketimine Etkisinin RNN, LSTM, GRU Tekrarlayan Derin Öğrenme Algoritmaları ile Tespiti. Journal of Intelligent Systems: Theory and Applications, 6(1), 12-23. https://doi.org/10.38016/jista.1141359.
19. [19] Haliloğlu, E., Y., Tutu, B., E. / Journal of Yasar University, 2018, 13/51, 243-255.
20. [20] Alkan, Ö., Öztürk, A., & Tosun, S. (2018). Rüzgar ve güneş santrallerinde kisa dönem enerji üretim tahmini için matematiksel modellerin oluşturulmasi. Duzce University Journal of Science and Technology, 6(1), 188-195. https://doi.org/10.29130/dubited.359698.
21. [21] Işıkdemir, Y. E., & Akal, F. (2024). Attention Based Energy Demand Forecasting in Smart Grid Environments. Firat University Journal of Experimental and Computational Engineering, 3(3), 227-240. https://doi.org/10.62520/fujece.1423120.
22. [22] Es, H., Kalender, F. Y., & Hamzaçebi, C. (2014). yapay sinir ağlari ile türkiye net enerji talep tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 29(3). https://doi.org/10.17341/gummfd.41725.
23. [23] Çelebi, S. B., & Fidan, Ş. (2024). RNN-Based Time Series Analysis for Wind Turbine Energy Forecasting. International Journal of Engineering and Innovative Research, 6(1), 15-28. https://doi.org/10.47933/ijeir.1387314.
24. [24] Sezen, B., & Yüce, N. (2022). Amerika Havayolu Yolcu Milinin LSTM ve AR Modeli Kullanılarak Tahmini. Journal of Turkish Operations Management, 6(2), 1345-1360. https://doi.org/10.56554/jtom.1036107.
25. [25] G. Akkuzukaya ve M. Yıldız, “Time Series Anomaly Detection Embedded Systems By Using LSTM”, IJMSIT, c. 7, sy. 2, ss. 90–96, 2023.
26. [26] Utku, A., & Akyol, S. (2024). Rüzgâr Hızı Tahminine Yönelik Hibrit ConvLSTM Modeli: Hindistan’ın En Yüksek Rüzgâr Hızına Sahip Şehirleri İçin Bir Vaka Çalışması. Mus Alparslan University Journal of Science, 12(2), 201-215. https://doi.org/10.18586/msufbd.1561443.
27. [27] Kaysal, K., Akarslan, E., & Hocaoğlu, F. O. (2022). Türkiye kısa dönem elektrik yük talep tahmininde makine öğrenmesi yöntemlerinin karşılaştırılması. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 9(2), 693-702. https://doi.org/10.35193/bseufbd.1004827.
28. [28] Çakmak, E., & Selvi, İ. H. (2022). Derin Öğrenme (CNN, RNN, LSTM, GRU) Kullanarak Protein İkincil Yapı Tahmini. Acta Infologica, 6(1), 43-52. https://doi.org/10.26650/acin.1008075.
29. [29] Babiker Abdalla Ibrahim, A., & Altun, K. (2024). LSTM Deep Learning Techniques for Wind Power Generation Forecasting. Journal of Soft Computing and Artificial Intelligence, 5(1), 41-47. https://doi.org/10.55195/jscai.1471257.
30. [30] American Scientific Research Journal for Engineering, Technology, and Sciences (ASRJETS) (2016) Volume 25, No 1, pp 192-208.
31. [31] Aslan, Y., Yaşar, C., & Nalbant, A. (2006). Electrical peak load forecasting in kütahya with artificial neural networks. Journal of Science and Technology of Dumlupınar University (011), 63-74.