Elektrik tüketim verilerine yapay zeka modellerinin uygulanması

Abstract

Bu çalışmada, 2016 Ocak - 2024 Haziran döneminde Türkiye'nin Bilecik ilinin Aydınlatma, Mesken, Sanayi, Tarımsal Sulama ve Ticarethane sektörlerine ait elektrik tüketim verileri incelenmiştir. Elektrik tüketiminin gelecekteki eğilimlerini tahmin etmek amacıyla, Enerji Piyasası Düzenleme Kurumu’nun (EPDK) yayımladığı Elektrik Piyasası Aylık Resmi İstatistikleri kullanılarak veriler toplanmış ve Zaman Serisi Analizi ile işlenmiştir. RNN, GRU, LSTM ve BiLSTM modelleri, sektörel bazda epoch 25, 50, 100 ve 200 değerlerinde eğitilmiş, 2016-2019 dönemi eğitim verisi, 2020-2024 Haziran dönemi test verisi olarak kullanılmıştır. Modellerin performansı MAE, RMSE, MSE ve MAPE metrikleri ile değerlendirilmiştir. Çalışmada elde edilen bulgular, Mesken ve Ticarethane sektörlerinde BiLSTM ve LSTM modellerinin yüksek doğrulukla tahmin yaptığını, Sanayi ve Tarımsal Sulama sektörlerinde ise GRU ve BiLSTM modellerinin daha başarılı olduğunu göstermiştir. RNN modeli genel olarak diğer modellere göre daha düşük performans sergilemiştir. Çalışma, derin öğrenme modellerinin elektrik tüketimi tahmininde güçlü bir öğrenme yeteneğine sahip olduğunu, ancak bazı sektörlerde daha fazla hiperparametre optimizasyonuna ihtiyaç duyulduğunu ortaya koymuştur. Sonuç olarak, bu modeller, Bilecik ilinin gelecek yıllarındaki elektrik tüketiminin sektörel bazda tahmin edilmesini sağlamış ve enerji yönetimi açısından önemli öngörüler sunmuştur. Gelecekteki çalışmalar için modellerin sektörel bazda performanslarını artırmak amacıyla daha karmaşık ve daha büyük veri kümelerinde optimizasyon yöntemleri kullanılabilir.

In this study, electricity consumption data of Bilecik province of Turkey for Lighting, Residential, Industrial, Agricultural Irrigation and Commercial sectors for the period of 2016 January - 2024 June are analysed. In order to estimate the future trends of electricity consumption, data are collected using the Electricity Market Monthly Official Statistics published by the Energy Market Regulatory Authority (EMRA) and processed by Time Series Analysis. RNN, GRU, LSTM and BiLSTM models were trained at Epoch 25, 50, 100 and 200 on a sectoral basis, and the period 2016-2019 was used as training data and the period 2020-2024 June was used as test data. The performance of the models was evaluated with MAE, RMSE, MSE and MAPE metrics. The findings of the study show that BiLSTM and LSTM models predict with high accuracy in Residential and Commercial sectors, while GRU and BiLSTM models are more successful in Industrial and Agricultural Irrigation sectors. The RNN model generally performed worse than the other models. The study revealed that deep learning models have a strong learning ability in electricity consumption forecasting, but more hyperparameter optimisation is needed in some sectors. As a result, these models have enabled the prediction of electricity consumption of Bilecik province in the coming years on a sectoral basis and provided important predictions in terms of energy management. For future studies, optimisation methods can be used in more complex and larger datasets to improve the performance of the models on a sectoral basis.