Stratejik enerji yatırımları için makine öğrenmesiyle uzun vadeli elektrik talebi tahmin sistemi

Yarının enerji ihtiyacı neden bugünü ilgilendirir

Gelecek on yıllarda ışıkları açık tutmak, sadece daha fazla enerji santrali inşa etmekten çok daha karmaşıktır. Nüfus arttıkça, şehirler genişledikçe ve sıcak hava dalgaları daha sık hale geldikçe dünya genelinde elektrik talebi yükseliyor. Hükümetler insanların ne kadar enerjiye ihtiyaç duyacağını az tahmin ederse kesintiler ve boşa yatırımlar riskiyle; fazla tahmin ederse pahalı ve az kullanılan altyapıyı kalıcı hale getirme riskiyle karşılaşır. Bu makale, modern makine öğrenmesi ile özenle seçilmiş ulusal istatistiklerin bir birleşimini kullanarak belirsiz geleceğe bakmanın yeni bir yolunu sunuyor ve bunu Mısır üzerine yapılmış ayrıntılı bir vaka çalışmasıyla gösteriyor.

Günlük yaşamı enerji talebine bağlamak

Bir ışık anahtarının her çevrilmesinin arkasında birçok etken yatar: bir ülkede kaç kişinin yaşadığı, yazların ne kadar sıcak geçtiği, ekonominin ne kadar hızlı büyüdüğü ve önceden ne kadar üretim kapasitesinin inşa edildiği. Geleneksel tahmin araçları çoğunlukla geçmiş elektrik kullanımına ve en iyi ihtimalle birkaç ekonomik veya hava göstergesine bakar. Bu dar görüş, hızlı kentleşme veya yakıt ithalatını etkileyen artan ulusal borç gibi önemli değişimleri kaçırabilir. Yazarlar, ulusal planlamacıların daha geniş bir merceğe ihtiyaç duyduğunu; elektrik arzını, iklimi, ekonomiyi ve nüfus eğilimlerini yıllar boyunca eşzamanlı olarak takip eden bir yaklaşım gerektiğini savunuyor.

Üç aşamalı bir tahmin motoru inşa etmek

Çalışma, uzun vadeli ülke düzeyinde tahminler için tasarlanmış üç aşamalı bir sistemi tanıtıyor. İlk olarak veri toplama ve temizleme gelir: ekip, 2000–2023 dönemine ait elektrik üretim kapasitesi, sıcaklıklar, yağış, nem, ekonomik sağlık ve nüfus yapısına ilişkin aylık ve yıllık kayıtları derliyor. Bu kaynaklar farklı zaman aralıklarında geldiği ve zaman zaman boşluk içerdiği için yazarlar eksik değerleri doldurmak ve her şeyi ortak bir aylık zaman çizelgesine dönüştürmek için özel enterpolasyon yöntemleri uyguluyor; bu sırada daha sıcak yazlar gibi önemli mevsimsel desenler korunuyor. Ardından her değişkenin zaman içindeki davranışını inceleyerek özel zaman serisi modellerinin uygun olup olmadığını belirliyorlar.

Algoritmaların geçmişten öğrenmesine izin vermek

İkinci aşamada araştırmacılar tanıdık istatistiksel tahmin araçlarını daha esnek makine öğrenmesi modelleriyle karşılaştırıyor. ARIMA ve SARIMAX gibi klasik yöntemler kıyas olarak kullanılıyor; bunlar eğilimleri ve bazı mevsimsel davranışları yakalar ancak değişkenler arasındaki ilişkilerin nispeten basit olduğunu varsayar. Daha zengin, çok değişkenli verileri ele almak için ekip, aylar ve yıllar boyunca açığa çıkan desenleri öğrenmeye uygun Gated Recurrent Unit (GRU) adlı derin öğrenme yaklaşımına yöneliyor. Modelin iç ayarlarını bir optimizasyon çerçevesiyle sistematik olarak ayarlıyor ve çeşitli ağ derinliklerini test ediyorlar; nihayetinde mevcut veri için tek iyi yapılandırılmış bir GRU katmanının doğruluk ve güvenilirlik arasında en iyi dengeyi sağladığını buluyorlar.

Hangi etkenlerin daha önemli olduğunu görmek

Planlamacılar modelin tahminlerini tetikleyen etkenleri anlayamıyorsa ham doğruluk yeterli değildir. Üçüncü aşamada yazarlar, her girdi faktörünün tahminleri ne kadar yukarı veya aşağı ittiğini ölçmek için SHAP olarak bilinen bir yorumlanabilirlik tekniği kullanıyor. Bu analiz, kırsal ve kentsel nüfus ile kişi başına gelirin artan talebin ana motorları olduğunu; elektrik üretim kapasitesi ve dış borcun da önemli destekleyici roller oynadığını ortaya koyuyor. İklim değişkenleri, özellikle aşırı sıcaklıklar hâlâ önemli, ancak uzun vadede demografik ve ekonomik büyümeden daha az katkıda bulunuyor. Daha az etkili değişkenleri kademeli olarak çıkarıp performansı yeniden değerlendirerek, yazarlar güçlü ve istikrarlı tahminler sağlayan on üç özellikten oluşan sadeleştirilmiş bir küme belirliyorlar.

Sonuçların enerji planlaması için anlamı

Çok sayıda test çalışmasında, rafine edilmiş GRU modeli Mısır’ın elektrik kullanımındaki değişimin beşte dörtten fazlasını açıklıyor ve ortalama hataları tipik aylık talebin biraz üzerinde yüzde 4 düzeyinde tutuyor. Bu düzeyde bir doğruluk ve hangi kolların daha çok etkilediğine dair net içgörü, sistemi daha hızlı kentleşme, yeni enerji santralleri veya değişen borç seviyeleri gibi “ya-olsa” gelecekleri ve bunların şebeke üzerindeki etkilerini keşfetmek için uygun hale getiriyor. Vaka çalışması Mısır’a odaklansa da çerçeve çoğu ülkenin zaten izlediği verilere ve şeffaf işleme adımlarına dayanıyor; bu da yöntemi dünya genelinde aktarılabilir kılıyor. Özetle, çalışma karar vericilere günlük sosyal ve ekonomik değişimi elektrik sistemleriyle ilişkilendiren pratik, yorumlanabilir bir tahmin motoru sunuyor.

Atıf: Haggag, M., Abdelhady, K., Guirguis, M. et al. Machine learning long-term electricity demand forecasting system for strategic energy investments. Sci Rep 16, 12471 (2026). https://doi.org/10.1038/s41598-026-45123-x

Anahtar kelimeler: elektrik talebi tahmini, enerji planlaması, makine öğrenmesi, iklim ve enerji, kentleşme