ElectroForecast

< Projeler Sayfası

Proje Adı
Türkiye'deki Elektrik Üretiminin Tahmini

Şirket Adı
Databoss

Şirket Mentoru
İsmail Balaban

Akademik Mentor
PProf. Serdar Kozat

Asistan
Furkan Burak Mutlu

Takım Üyeleri
Ali Yüce Kaleli, Aras Fırat Ünal, Batu Arda Düzgün, Burak Susam, Enes Eray Demirtaş, Şahan Yoruç Selçuk

Özet
Teknolojik gelişmelerle birlikte insanlığın enerji ihtiyacı da ciddi anlamda artış göstermiştir. Bu artış, enerji üreticilerinin üretim alanlarında enerji talebini karşılamalarını gerekli kılmıştır. Dolayısıyla, enerji üretiminin tahmini, üreticilerin kaynaklarını uygun kullanımı açısından önem göstermektedir. Ancak enerji üretimi insanlar tarafından öngörülemeyen birçok etmene bağlıdır ve enerji üretim tahmini oldukça zor bir iştir. Biz bu projede, Türkiye’deki farklı kaynak tipleri için günlük ve saatlik elektrik üretimini tahmin eden makine öğrenmesi temelli bir sistem kurduk. Güncel makine öğrenmesi ve derin öğrenme modellerini, EPİAŞ elektrik üretim, hava durumu ve gün uzunluğu verileriyle eğittik. Modelleri Ortalama Mutlak Yüzde Hata (MAPE) skorlarına göre değerlendirdik. Makine öğrenmesi sistemimiz 30 gün bazında toplam günlük üretim için %1.52’lik en iyi MAPE skoruna erişebilirken, 7 gün bazında toplam saatlik üretim için en iyi MAPE skoruna %0.882 olarak erişebilmiştir.


Abstract
The energy needs of humanity have increased dramatically with the advancement of technology. This increase results in energy producers matching energy demand in their production facilities. Thus, forecasting energy production is crucial for producers to use their resources properly. However, energy production depends on various factors which humans cannot predict, and forecasting the production is a challenging task. In this project, we have implemented a machine learning-based framework to forecast Turkey's daily and hourly electricity production for different power plant types. We implemented various state-of-the-art machine learning and deep learning models, to which we provide EPIAS electricity production, weather, and daylength data. We evaluated models according to their Mean Absolute Percentage Error (MAPE). The best MAPE score achieved by our machine learning framework is 1.52% for a 30-days total daily production and 0.882% for a 7-days total hourly production.