Elektrik enerjisi verileri için veri madenciliği ve çok-adımlı ileri tahmin stratejileri

Abstract

Elektrik enerjisi bir ülkedeki toplumun iş verimliliğini, yaşam kalitesini ve üretimini doğrudan etkilemektedir. Bu sebeple ülkeler kullanıcılara güvenilir, kaliteli ve sürekli olarak elektrik enerjisini sağlamak zorundadırlar. Bu zorunluluk, elektrik enerjisi tüketiminin sürekli olarak planlanması ve yönetilmesi sonucunu ortaya çıkarmaktadır. Sürekli olarak doğru bir planlama ve yönetim stratejisi oluşturmak ancak elektrik enerjisi tüketiminin en az hatayla tahmin edilebilmesi ile mümkün olabilmektedir. Bu tez çalışmasında, Enerji Piyasaları İşletme A.Ş. (EPİAŞ)’ye ait internet sitesinde bulunan Şeffaflık Platformu’ndan alınan, Türkiye geneline ait gerçekleşen gerçek zamanlı tüketim verileri kullanılarak yapay sinir ağları, karar ağaçları ve destek vektör makineleriyle oluşturulan toplamda 13 farklı çok-adımlı ileri tahmin yöntemi ile 24 saatlik çok-adımlı ileri elektrik enerjisi tüketim tahmini gerçekleştirilmiştir. Ayrıca veri madenciliği yöntemleri ile elektrik enerjisi tüketim verisi içerisindeki ilişkiler tespit edilmeye çalışılmıştır.

Electrical energy directly affects the work efficiency, quality of life and production of the society in a country. For this reason, countries have to provide reliable, high quality and continuous electrical energy to users. This necessity results in the continuous planning and management of electrical energy consumption. Consistently creating an accurate planning and management strategy is only possible if electrical energy consumption can be estimated with the least error. In this thesis, 13 different multi-step ahead prediction methods along with a 24-hour multi-step electrical energy consumption forecast was created by forming artificial neural networks, decision trees and support vector machines using real time electricity consumption data gathered across Turkey and published on the Transparency Platform belonging to Energy Exchange Istanbul (EXIST)’s website. In addition, data mining methods and the relationships within the electrical energy consumption data were tried to be determined.