Enerji piyasalarında saatlik elektrik tüketim tahmini için veriye dayalı model geliştirme ve maliyet analizi

Şebeke yükünün dengelenmesi ve özellikle depolama kaynaklı maliyetlerin azaltılması açısından saatlik elektrik tüketiminin doğru tahmin edilmesi büyük önem taşımaktadır. Enerji piyasalarının giderek karmaşıklaştığı günümüzde, tahmin doğruluğu yalnızca teknik başarı kriteri değil, aynı zamanda doğrudan ekonomik sonuçlar üzerinde belirleyici ve çoğu zaman daha kritik bir etkendir. Bu kapsamda, İç Anadolu Bölgesi’ndeki Aksaray, Karaman, Kırşehir, Konya, Nevşehir ve Niğde illerine ait saatlik elektrik tüketimi için veri odaklı tahmin modelleri karşılaştırılmıştır. Çalışmada, makine öğrenmesi yaklaşımlarından Aşırı Gradyan Arttırma (XGBoost) ile birlikte, Yapay Sinir Ağı (YSA) tabanlı, İleri Beslemeli Sinir Ağları (FFNN), Geçitli Tekrarlayan Birim (GRU), Uzun Kısa Süreli Bellek (LSTM) ve 1 Boyutlu Evrişimli Sinir Ağları (1D-CNN) gibi farklı derin öğrenme mimarileri karşılaştırılmıştır. Performans yalnızca hata metrikleri (RMSE, MAE, MAPE, R²) ile değil aynı zamanda Türkiye elektrik piyasası koşullarını esas alan bir dengesizlik maliyeti analizi üzerinden de değerlendirilmiştir. Mayıs 2022–Nisan 2025 dönemini kapsayan 25.752 saatlik veri üzerinde uygulanmış ve veriler kronolojik olarak eğitim, doğrulama ve test kümelerine ayrılmıştır. Bulgular, XGBoost’un en düşük hata değerleriyle en yüksek teknik tahmin doğruluğunu sağladığını göstermektedir. Ancak piyasa temelli analiz, daha yüksek hata oranına rağmen 1D-CNN’in dengesizlik maliyetlerini en fazla azalttığını ve finansal olarak daha verimli bir çözüm sunduğunu ortaya koymuştur. Sonuç olarak, enerji portföy yönetiminde model seçiminde yalnızca teknik doğruluk değil, ekonomik sonuçların da birlikte ele alınması gerektiği vurgulanmıştır.

Balancing grid load and reducing the costs arising especially from storage make accurate forecasting of hourly electricity consumption very important. In today’s energy markets, forecasting accuracy is not only a technical measure but also an important factor that directly influences economic outcomes, often proving to be even more critical. In this context, data-driven forecasting models are compared for the hourly electricity consumption of six provinces in Central Anatolia: Aksaray, Karaman, Kırşehir, Konya, Nevşehir, and Niğde. In the study, alongside Extreme Gradient Boosting (XGBoost) from machine learning approaches, different deep learning architectures based on Artificial Neural Networks (ANN)—such as Feedforward Neural Networks (FFNN), Gated Recurrent Unit (GRU), Long Short-Term Memory (LSTM), and 1D-Convolutional Neural Networks (1D-CNN)—are compared. Performance is evaluated not only with error metrics (RMSE, MAE, MAPE, R²) but also through an imbalance cost analysis based on the rules of the Turkish electricity market. The models were applied on 25,752 hourly observations covering the period from May 2022 to April 2025, and the data were chronologically split into training, validation, and test sets. The results show that XGBoost provides the highest technical forecasting accuracy with the lowest error values. However, the market-based analysis shows that although 1D-CNN has higher error rates, it achieves the greatest reduction in imbalance costs, offering a more financially efficient solution. In conclusion, the study shows that model selection in energy portfolio management should consider not only technical accuracy but also the economic outcomes that result from the model's performance.