Özet:
Türkiye, enerji sektörü açısından stratejik bir konuma sahiptir ve büyüyen ekonomisiyle birlikte enerji talebi de sürekli olarak artmaktadır. Bu bağlamda, enerji tüketim tahminleri, Türkiye'nin sürdürülebilir kalkınma hedeflerine ulaşması için kritik öneme sahiptir. Ayrıca, yenilenebilir enerji kaynaklarının
kullanımının artmasıyla birlikte, makine öğrenmesi teknikleri sayesinde daha verimli ve çevreci enerji yönetimi stratejileri geliştirilmektedir. Bu çalışmalar, Türkiye'nin enerji güvenliğini artırırken aynı zamanda çevresel etkilerini de minimize etmeye yöneliktir. Elektrik dağıtım sektöründe enerji tüketim
tahmini, enerji kaynaklarının verimli kullanımı ve talep yönetimi açısından büyük önem taşır. Makine öğrenmesi yöntemleri, bu alanda doğru ve güvenilir tahminler yapabilmek için güçlü araçlar sunar. Bu yüksek lisans tezinde, elektrik dağıtım şebekelerinde enerji tüketimini tahmin etmek amacıyla çeşitli makine öğrenmesi algoritmalarının uygulanabilirliği araştırılmıştır. İlgili veri setleri üzerinde denetimli öğrenme teknikleri kullanılarak modeller geliştirilmiş ve bu modellerin performansları
karşılaştırılmıştır. Destek vektör makineleri (SVM), karar ağaçları, regresyon analizi ve yapay sinir ağları gibi popüler makine öğrenmesi yöntemleri değerlendirilmiştir. Tez kapsamında gerçekleştirilen deneylerde, farklı zaman dilimleri ve tüketim profilleri dikkate alınarak modelleme yapılmıştır.
Ayrıca, dış etkenlerin (örneğin hava durumu, mevsimsellik) enerji tüketimine etkisi de analiz edilerek daha hassas tahminler elde edilmeye çalışılmıştır. Sonuç olarak, belirli bir makina öğrenmesi yöntemi veya kombinasyonunun belirli koşullar altında daha üstün performans gösterdiği tespit edilmiştir. Bu
çalışma, elektrik dağıtım şirketlerinin talep tahmini süreçlerini optimize etmelerine yardımcı olmayı amaçlamakta olup, aynı zamanda enerji verimliliğini artırmak için stratejik planlamalara katkıda bulunacak öneriler sunmaktadır.
