Yenilenebilir Enerji Sistemlerinde Makine Öğrenmesi ile Tahmin Yapılması

Abstract

Kentsel enerji planlaması, artan elektrik talebi ile yenilenebilir enerji entegrasyonunu dengelemek için yüksek doğrulukta tahmin çerçeveleri gerektirmektedir. Bu tez, Eskişehir'in aylık elektrik tüketimi ve fotovoltaik üretim potansiyelini öngörmek için çok boyutlu ve veri odaklı bir tahmin metodolojisi sunmaktadır. Yalnızca iklim odaklı olan geleneksel deterministik modellerden farklı olarak, bu çalışmanın özellik uzayı (feature space); Isıtma ve Soğutma Derece Günleri ile makroekonomik itici güçleri (nüfus büyüklüğü, sanayi endeksi, mesken abone sayısı) ve termodinamik düzenleyicileri içerecek şekilde önemli ölçüde genişletilmiştir. Klasik istatistiksel zaman serileri, makine öğrenmesi, özgün hibrit topluluklar ve derin öğrenme dahil olmak üzere çeşitli tahmin mimarileri, 2016-2023 arası tarihsel veri setleri kullanılarak eğitilmiş ve değerlendirilmiştir. Zaman serilerinde veri sızıntısını (data leakage) önlemek ve sonuçların dayanıklılığını en üst düzeye çıkarmak için, doğrusal olmayan algoritmalar Zaman Serisi Bölümleme mekanizması kullanılarak Izgara Araması Çapraz Doğrulama yöntemine tabi tutulmuştur. İzole edilmiş 2023 test setinden elde edilen ampirik sonuçlar, optimize edilmiş makine öğrenmesi mimarilerinin doğrusal temel modellerden daha iyi performans gösterdiğini kanıtlamıştır. Araştırma kapsamında, özgün bir 'Geçmiş Ekstremlere Dayalı Senaryo Oluşturma' metodolojisi kullanılarak 2024-2030 dönemi için uzun vadeli projeksiyonlar da gerçekleştirilmiştir. Özellikle, makroekonomik büyüme tüm senaryolarda sabit tutulmuştur (ceteris paribus). Sonuçlar, yerel elektrik dağıtım şirketleri (DSO'lar) için önemli politika çıkarımları sunmaktadır; ekstrem iklim olaylarının kentsel büyümeden bağımsız olarak şebeke üzerindeki temel stresleri kontrol ettiğini vurgulamakta, dolayısıyla altyapıda proaktif iyileştirmelere ve yaz aylarındaki pik tıraşlama (peak shaving) işlemleri için güneş enerjisi-batarya yatırımlarına olan ihtiyacı ortaya koymaktadır.Urban energy planning requires highly accurate forecasting frameworks to balance increasing electricity demand with renewable energy integration. This thesis presents a multi-dimensional, data-driven predictive methodology to forecast monthly electricity consumption and photovoltaic generation potential in Eskişehir, Türkiye. Diverging from conventional climate-only deterministic models, the feature space of this study was significantly expanded to incorporate macroeconomic drivers and thermodynamic modifiers alongside Heating and Cooling Degree Days. Various predictive architectures, including classical statistical time-series, machine learning, novel hybrid ensembles, and deep learning, were trained and evaluated using historical datasets from 2016 to 2023. To ensure the prevention of any temporal data leakages and maximize the robustness of the results, the non-linear algorithms were subject to the Grid Search Cross Validation using the Time Series Split mechanism. From the empirical results obtained on the isolated 2023 test set, it is evident that the optimized machine learning architectures were able to outperform the linear baselines. The research work also carried out long-term projections for the period 2024 to 2030. Using the novel 'Historical Extreme Based Scenario Generation' methodology. Notably, macro-economic growth is kept constant in all scenarios. The results have significant policy implications for local DSOs, emphasizing the fact that extreme climate events control the essential stresses on the grid independently of urban growth, thus emphasizing the need for proactive upgrades in the infrastructure and solar-battery investments for peak shaving in summer.