Ulusal elektrik enerjisi tüketim miktarlarının tahmin edilmesinde kullanılan yöntemlerin karşılaştırılması ve Birleşik Krallık verileri ile bir uygulama

Abstract

Elektrik talep tahmini, enerji sistemlerinin güvenli, ekonomik ve çevresel olarak sürdürülebilir bir şekilde işletilmesi için hayati öneme sahiptir. Son zamanlarda, elektrik talep tahmin yöntemleri üzerine yapılan çalışmalar, hem klasik yöntemlerin iyileştirilmesi hem de yeni teknolojilerin entegrasyonu üzerine yoğunlaşmıştır. Bu çalışmada, Birleşik Krallık'taki elektrik talebi veri seti kullanılarak elektrik talebini tahmin etmek amaçlanmıştır. Bu amaç doğrultusunda, Mevsimsel Otoregresif Entegre Hareketli Ortalama (SARIMA), Prophet, Uzun Kısa Süreli Bellek (LSTM), XGBoost ve Lineer Artırma Regresyonu gibi çeşitli tahmin modelleri Python yazılım dili kullanılarak Google Colab ortamında uygulanmıştır. Modellerin performansları, Kök Ortalama Kare Hatası (RMSE) ve Ortalama Mutlak Yüzde Hatası (MAPE) doğruluk ölçüm yöntemleri kullanılarak karşılaştırılmıştır. Sonuçlar, LSTM yönteminin diğer yöntemlere üstünlüğünü göstermektedir. Ayrıca, sonuçlar Prophet ve XGBoost modellerinin de iyi performans sergilediğini göstermiştir.Electricity demand forecasting is vital for the safe, economical, and environmentally sustainable operation of energy systems. Recently, studies on electricity demand forecasting methods have focused on both improving classical methods and integrating new technologies. In this study, the aim is to forecast electricity demand using the electricity demand dataset of the United Kingdom. For this purpose, various forecasting models such as Seasonal Autoregressive Integrated Moving Average (SARIMA), Prophet, Long Short-Term Memory (LSTM), and XGBoost, Linear Boost Regression were implemented using the Python programming language in the Google Colab. The performances of the models were compared using accuracy measurement methods such as Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE). The results show the superiority of the LSTM method over other methods. Additionally, the results indicate that the Prophet and XGBoost models also perform well.