Türkiye Geneli Saatlik Elektrik Tüketiminin Makine Öğrenmesi Yöntemleri İle Tahmin Edilmesi

Abstract

Bu tez çalışmasının amacı, Türkiye'nin saatlik elektrik tüketimini tahmin etmede geleneksel bir zaman serisi modeli olan ARIMA ile dört farklı makine öğrenmesi yönteminin (Doğrusal Regresyon, Rastgele Orman, XGBoost ve Yapay Sinir Ağları) performansını karşılaştırmalı olarak değerlendirmektir. Çalışmada, Türkiye Elektrik İletim A.Ş. (TEİAŞ)'den sağlanan 1 Ocak 2019 - 31 Aralık 2024 tarihlerini kapsayan saatlik elektrik tüketim verileri kullanılmıştır. Deneysel sonuçlar, makine öğrenmesi yöntemlerinin geleneksel ARIMA modeline kıyasla belirgin bir üstünlük sergilediğini ortaya koymuştur. ARIMA modeli negatif bir R² değeri (-0,2865) ve %14,65'lik MAPE ile tatmin edici olmayan sonuçlar verirken, topluluk makine öğrenmesi yöntemleri en yüksek performansı göstermiştir. Rastgele Orman modeli % 0,9893 R² ve %1,19 MAPE değerleriyle en iyi performansı sergilerken, XGBoost modeli %0,9876 R² ve %1,27 MAPE ile onu yakından takip etmiştir. Yapay Sinir Ağları modeli% 0,9808 R² ve %1,72 MAPE, Doğrusal Regresyon modeli ise% 0,9714 R² ve %2,05 MAPE ile yüksek ve kabul edilebilir doğruluk oranları elde etmiştir.Sonuç olarak, bu çalışma Türkiye'nin saatlik elektrik tüketim tahmini için Rastgele Orman ve XGBoost gibi topluluk temelli makine öğrenmesi yöntemlerinin operasyonel kullanımının üstünlüğünü net bir şekilde ortaya koymakta ve enerji sektörü paydaşları için daha doğru, güvenilir ve verimli bir tahmin altyapısı önermektedir. Anahtar Kelimeler: Elektrik Talep Tahmini, Makine Öğrenmesi, Zaman Serisi Tahmini, ARIMA, Rastgele Orman, XGBoost, Yapay Sinir Ağları.

The aim of this thesis is to comparatively evaluate the performance of a traditional time series model, ARIMA, and four different machine learning methods—Linear Regression, Random Forest, XGBoost, and Artificial Neural Networks (ANN)—in forecasting Turkey's hourly electricity consumption. The study utilizes hourly electricity consumption data provided by the Turkish Electricity Transmission Corporation (TEİAŞ), covering the period from January 1, 2019, to December 31, 2024. Experimental results reveal that machine learning methods significantly outperform the traditional ARIMA model. While the ARIMA model yielded unsatisfactory results with a negative R² value of -0.2865 and a MAPE of 14.65%, ensemble-based machine learning methods demonstrated the highest performance. The Random Forest model achieved the best results with an R² of 0.9893 and a MAPE of 1.19%, closely followed by the XGBoost model with an R² of 0.9876 and a MAPE of 1.27%. The Artificial Neural Networks model achieved an R² of 0.9808 and a MAPE of 1.72%, while the Linear Regression model obtained an R² of 0.9714 and a MAPE of 2.05%, indicating high and acceptable accuracy levels. In conclusion, this study clearly demonstrates the superiority of ensemble-based machine learning approaches such as Random Forest and XGBoost for forecasting Turkey's hourly electricity consumption and proposes a more accurate, reliable, and efficient forecasting framework for stakeholders in the energy sector. Keywords: Electricity Demand Forecasting, Machine Learning, Time Series Forecasting, ARIMA, Random Forest, XGBoost, Artificial Neural Networks.