Yapay zeka algoritmaları ile talep tahmini elektrik perakende sektöründe bir uygulama

Türkiye’de elektrik enerjisinin üretim, iletim, dağıtım ve perakende ağının önemi, yaşanan teknolojik gelişmeler ve tüketim anlayışının değişmesi ile birlikte son yıllarda üzerinde en çok durulan konulardan birisi haline gelmiştir. Bu çalışmanın temel amacı, Türkiye'nin saatlik elektrik enerjisi tüketim miktarını tahmin etmek için farklı yapay zeka (YZ) modellerinin performansını karşılaştırmaktır. Enerji talebinin doğru bir şekilde öngörülmesi, enerji arz güvenliği, şebeke yönetimi ve kaynak planlaması açısından kritik öneme sahiptir. Çalışmada, EPİAŞ (Enerji Piyasaları İşletme A.Ş.) tarafından sağlanan Nisan 2024 ve Nisan 2025 arasındaki saatlik tüketim verileri kullanılmıştır. Tüketim tahmini için Çoklu Doğrusal Regresyon (MLR), Karar Ağaçları (DT), Rassal Orman (RF), Gradyan Artırma Makineleri (GBM), Extreme Gradient Boosting (XGBoost) ve Yapay Sinir Ağları (YSA) gibi yaygın kullanılan algoritmalar uygulanmıştır. Modellerin performansları, Ortalama Mutlak Hata (MAE) ve Kök Ortalama Karesel Hata (RMSE) metrikleri kullanılarak değerlendirilmiştir. Elde edilen sonuçlara göre, sonuçlar birbirine yakın olsa da, en iyi tahmini Keras kütüphanesinden kullanılan Yapay Sinir Ağları Çok Katmanlı Algılayıcı (MLP) modeli sağlarken en düşük performanslı tahmini Scikit Learn kütüphanesinden kullanılan Yapay Sinir Ağları MLP modeli sağlamıştır.

The importance of Türkiye’s electricity generation, transmission, distribution, and retail network has become one of the most emphasized topics in recent years, driven by technological advancements and changes in consumption behavior. The primary aim of this study is to compare the performance of different artificial intelligence (AI) models in forecasting Türkiye’s hourly electricity consumption. Accurate prediction of energy demand is critically important for energy supply security, grid management, and resource planning. The study utilizes hourly consumption data provided by EPİAŞ (Energy Markets Operation Corporation) for the period between April 2024 and April 2025. Commonly used algorithms such as Multiple Linear Regression (MLR), Decision Trees (DT), Random Forest (RF), Gradient Boosting Machines (GBM), XGBoost, and Artificial Neural Networks (ANN) were applied for consumption forecasting. The performance of the models was evaluated using the Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) metrics. According to the results, although the models yielded similar outcomes, the Random Forest model provided the best prediction, while the Artificial Neural Networks showed the lowest performance.