Yapay Zeka (Yapay Sinir Ağları) Yöntemi ve Meteoroloji Verilerini Kullanılarak Sivas-Merkez 1. Organize Sanayi Bölgesinin Kısa Dönem Elektrik Enerjisi Yük Tahmini

Öz

Elektrik enerjisinin efektif bir şekilde kullanılması, enerji planlaması ve dengesizlik maliyetlerinin önlenmesi için doğru tahminleme metotları önem kazanmaktadır. Verimli, kaliteli ve güvenli elektrik tedarik süreçleri elektrik piyasasındaki arz - talep dengesinin korunması için de oldukça önemlidir. Bu nedenle elektrik üretici ve tedarikçilerinin iyi planlama yapması, planlama çalışmaları için de gerçekleşmemiş tüketim değerlerinin tahminlenmesi ihtiyacı doğmaktadır. Bu çalışmanın amacı, meteoroloji verileri ve geçmiş tüketim değerlerini kullanarak Sivas-Merkez 1. Organize Sanayi Bölgesi’nin kısa dönem elektrik yük tahminini yapmaktır. Literatürde yapay zeka ve özellikle Uzun Kısa Süreli Bellek (Long Short Term Memory-LSTM) mimarilerinin enerji tahmini alanında etkin bir şekilde kullanıldığı görülmüştür. Bu çalışmada yük tahmini yapabilmek için Matlab/Simulink aracılığıyla LSTM mimarisi oluşturulmuştur. Bu mimaride giriş verileri için farklı veri setleri kullanılarak dört durum incelenmiştir. Birinci durumda giriş veri seti olarak sadece yılın günleri kullanılmıştır. İkinci durum için “Ay, Ayın Günü, Mesai Günü ve Yılın Günleri” kullanılmıştır. Üçüncü durum için ikinci duruma ek “Bayram Günleri, Tatil, Hafta sonu, Normal Gün, Dolar” verileri kullanılmıştır. Dördüncü durumda ise üçüncü duruma ek olarak “Meteoroloji” verileri kullanılmıştır. Sonuç olarak RMSE değerleri dört için sırası ile şu şekildedir; RMSE1:1501,897 , RMSE2:1005,312 , RMSE3:1343,179 , RMSE4:9342,352. Bu çalışma ile arz talep dengesi ve enerji yönetiminde etkili çözümler sunulması amaçlanmıştır. Bu çalışma, farklı veri kombinasyonlarının LSTM tabanlı tüketim tahminine etkisini derinlemesine analiz ederek, daha fazla veri kullanımının her zaman daha iyi tahmin doğruluğu sağlamayacağını göstermesi bakımından özgün bir katkı sunmaktadır. Yapılan tahminlemelerle enerji tedarikçilerinin ve sanayi bölgelerinin doğru enerji yönetimi yapabilmesi için önemli bir katkı sağlanması amaçlanmaktadır

Anahtar Kelimeler

• LSTM
• Yük tahmini
• Elektrik Tüketimi
• Yapay Sinir Ağları
• Yapay Zeka

Short-Term Electricity Load Forecasting Using Artificial Intelligence (Artificial Neural Networks) Method and Meteorological Data for Sivas-Central 1st Organized Industrial Zone

Öz

The effective use of electricity, accurate prediction methods are becoming important for energy planning and prevention of imbalance costs. Efficient, high-quality, and safe electricity supply processes are also crucial for maintaining the supply-demand balance in the electricity market. Therefore, it is necessary for electricity producers and suppliers to make good planning, and there is a need to predict unrealized consumption values for planning activities. The aim of this study is to make short-term electricity load forecasting for Sivas-Central 1st Organized Industrial Zone using meteorological data and past consumption values. It has been observed in the literature that artificial intelligence, especially Long Short Term Memory (LSTM) architectures, are effectively used in the energy forecasting field. In this study, an LSTM architecture was created using Matlab/Simulink to make load forecasts. In this architecture, four cases are used using different data sets for input data. In the first case, only days of the year are used as input data sets. For the second case, “Month, Day of Month, Working Day and Days of Year” are used. For the third case, additional “Holiday Days, Holiday, Weekend, Normal Day, Dollar” data is used in the second case. In the fourth case, additional “Meteorology” data is used in the third case. As a result, the RMSE values for the four cases are as follows; RMSE1: 1501.897, RMSE2: 1005.312, RMSE3: 1343.179, RMSE4: 9342.352. This study aims to provide effective solutions in supply-demand balance and energy management. This study deeply analyzes the effect of different data combinations on LSTM-based consumption estimation and offers an original contribution in terms of showing that using more data does not always provide better estimation accuracy. The aim is to provide significant contribution to energy suppliers and industrial zones for accurate energy management through the predictions made.

Anahtar Kelimeler

• Artificial Neural Networks
• LSTM
• Electricity Consumption
• Load Estimation
• Artificial Intelligence

Kaynakça

1. [1] B. L. Aylak, O. Oral, ve K. Yazici, “Yapay Zeka ve Makine Öğrenmesi Tekniklerinin Lojistik Sektöründe Kullanımı”, El-Cezeri Fen ve Mühendislik Dergisi, 2020, doi: 10.31202/ecjse.776314.
2. [2] E. A. Madrid ve N. Antonio, “Short-term electricity load forecasting with machine learning”, Information (Switzerland), c. 12, sy 2, 2021, doi: 10.3390/info12020050.
3. [3] O. C. Ozerdem, E. O. Olaniyi, ve O. K. Oyedotun, “Short term load forecasting using particle swarm optimization neural network”, Procedia Comput Sci, c. 120, ss. 382-393, Oca. 2017, doi: 10.1016/J.PROCS.2017.11.254.
4. [4] T. Ahmad, C. Huanxin, D. Zhang, ve H. Zhang, “Smart energy forecasting strategy with four machine learning models for climate-sensitive and non-climate sensitive conditions”, Energy, c. 198, s. 117283, May. 2020, doi: 10.1016/J.ENERGY.2020.117283.
5. [5] D. Miao ve M. Nakamura, “Optimizing Energy Management Systems with Fine-Grained Interval Demand Forecasting”, 2024 IEEE Sustainable Power and Energy Conference, iSPEC 2024, ss. 19-23, 2024, doi: 10.1109/ISPEC59716.2024.10892557.
6. [6] R. Sagwal, J. Ramkumar, ve S. N. Singh, “Exploring the Efficacy of Feature Selection and Attention Enhanced Deep Learning in Multivariable Electricity Price Forecasting”, Conference Proceedings - 13th IEEE Power and Energy Society: Innovative Smart Grid Technologies - Asia, ISGT Asia 2024, 2024, doi: 10.1109/ISGTASIA61245.2024.10876326.
7. [7] T. M. Ghazal, J. I. Janjua, W. Abushiba, M. Ahmad, T. Abbas, ve K. Ateeq, “Cutting-Edge Predictive Methods for Enhancing Short-Term Load Prediction”, 2024 International Conference on Electrical and Computer Engineering Researches (ICECER), ss. 1-6, Ara. 2024, doi: 10.1109/ICECER62944.2024.10920448.
8. [8] Z. Marzak, S. Mouatassim, J. Benhra, ve R. Benabbou, “Contribution to Predicting Electricity Load using Random Forest”, 2024 3rd International Conference on Embedded Systems and Artificial Intelligence (ESAI), ss. 1-14, Ara. 2024, doi: 10.1109/ESAI62891.2024.10913864.

9. [9] A. Shukla, “Advanced Machine Learning and Features Based Data Analytics of Electricity Consumption in USA and India”, içinde Advanced Network Technologies and Intelligent Computing, P. and P. K. K. and B. R. and D. D. Verma Anshul and Verma, Ed., Cham: Springer Nature Switzerland, 2025, ss. 333-344.
10. [10] S. Nadali, T. H. Yong, ve D. Glover, “Dynamic Energy Management: Predictive Maximum Demand Control with Short-Term Power Forecasting”, 2025 IEEE Texas Power and Energy Conference, TPEC 2025, 2025, doi: 10.1109/TPEC63981.2025.10907159.
11. [11] M. R. Haq ve Z. Ni, “A new hybrid model for short-term electricity load forecasting”, IEEE Access, c. 7, 2019, doi: 10.1109/ACCESS.2019.2937222.
12. [12] A. Bielecki, J. A. Shohan, O. Faruque, ve S. Y. Foo, “Forecasting of Electric Load Using a Hybrid LSTM-Neural Prophet Model”, 2022, doi: 10.3390/en15062158.
13. [13] C. Hu, Q. Wu, H. Li, S. Jian, N. Li, ve Z. Lou, “Deep Learning with a Long Short-Term Memory Networks Approach for Rainfall-Runoff Simulation”, Water 2018, Vol. 10, Page 1543, c. 10, sy 11, s. 1543, Eki. 2018, doi: 10.3390/W10111543.
14. [14] S. Muzaffar ve A. Afshari, “Short-Term Load Forecasts Using LSTM Networks”, Energy Procedia, c. 158, ss. 2922-2927, Şub. 2019, doi: 10.1016/J.EGYPRO.2019.01.952.
15. [15] J. Buitrago ve S. Asfour, “Short-Term Forecasting of Electric Loads Using Nonlinear Autoregressive Artificial Neural Networks with Exogenous Vector Inputs”, Energies 2017, Vol. 10, Page 40, c. 10, sy 1, s. 40, Oca. 2017, doi: 10.3390/EN10010040.
16. [16] S. Agatonovic-Kustrin ve R. Beresford, “Basic concepts of artificial neural network (ANN) modeling and its application in pharmaceutical research”, J Pharm Biomed Anal, c. 22, sy 5, ss. 717-727, Haz. 2000, doi: 10.1016/S0731-7085(99)00272-1.
17. [17] C. Ren, L. Jia, ve Z. Wang, “A CNN-LSTM Hybrid Model Based Short-term Power Load Forecasting”, Proceedings - 2021 Power System and Green Energy Conference, PSGEC 2021, ss. 182-186, Ağu. 2021, doi: 10.1109/PSGEC51302.2021.9542404.
18. [18] G. Mourgias-Alexandris, A. Tsakyridis, N. Passalis, A. Tefas, K. Vyrsokinos, ve N. Pleros, “An all-optical neuron with sigmoid activation function”, Opt Express, c. 27, sy 7, s. 9620, Nis. 2019, doi: 10.1364/OE.27.009620.
19. [19] J. Kilian ve H. T. Siegelmann, “The Dynamic Universality of Sigmoidal Neural Networks”, Inf Comput, c. 128, sy 1, ss. 48-56, Tem. 1996, doi: 10.1006/INCO.1996.0062.
20. [20] A. Farzad, H. Mashayekhi, ve H. Hassanpour, “A comparative performance analysis of different activation functions in LSTM networks for classification”, Neural Comput Appl, c. 31, sy 7, ss. 2507-2521, Tem. 2019, doi: 10.1007/S00521-017-3210-6/TABLES/11.
21. [21] M. H. Essai Ali, A. B. Abdel-Raman, ve E. A. Badry, “Developing Novel Activation Functions Based Deep Learning LSTM for Classification”, IEEE Access, c. 10, ss. 97259-97275, 2022, doi: 10.1109/ACCESS.2022.3205774.
22. [22] M. G. M, “İllerimize Ait Genel İstatistik Verileri”, 2017.
23. [23] “EVDS | Tüm Seriler”. Erişim: 03 Nisan 2025. [Çevrimiçi]. Erişim adresi: https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket
24. [24] “Elektrik Birimi | Sivas-Merkez 1. Organize Sanayi Bölge Müdürlüğü | SİVAS OSB”. Erişim: 03 Nisan 2025. [Çevrimiçi]. Erişim adresi: https://sivasosb.org.tr/kurumsal/elektrik-birimi/
25. [25] T. Chai ve R. R. Draxler, “Root mean square error (RMSE) or mean absolute error (MAE)? -Arguments against avoiding RMSE in the literature”, Geosci Model Dev, c. 7, sy 3, ss. 1247-1250, Haz. 2014, doi: 10.5194/GMD-7-1247-2014.