Klasik zaman serisi ve derin öğrenme yöntemleri kullanılarak Japonya'da doğru yük tahmininin elektrik piyasası istikrarına etkisi

Yarınki elektrik faturası neden bugünkü tahminle başlar

Her saat başı, Japonya’nın elektrik şirketleri ertesi gün insanların ne kadar elektrik kullanacağını tahmin etmeye çalışır. Çok yüksek tahmin edilirse gereksiz enerji için para harcanır. Çok düşük tahmin edilirse arz yetersiz kalır ve fiyatlar fırlayabilir. Bu çalışma, geleneksel istatistiklerden modern derin öğrenmeye kadar farklı “tahmin” yöntemlerinin Japonya’nın dokuz çok farklı bölgesinde nasıl performans gösterdiğini ve bu tahminler daha doğru olduğunda ne kadar para ve istikrar kazanılabileceğini inceliyor.

Çok farklı ihtiyaçlara sahip yamalı bir enerji sistemi

Japonya’nın elektrik sistemi alışılmadık. Serbestçe güç paylaşmayan dokuz bölgesel pazara ayrılmış durumda ve hatta iki farklı frekansta, 50 ve 60 Hz, çalışıyor. Hokkaido ve Tohoku gibi kuzey bölgelerinde yoğun kış ısıtma zirveleri görülürken, Kyushu gibi güney bölgelerinde yazın klimaların devreye girmesiyle talep artıyor. Sanayi merkezleri, yoğun şehirler ve kırsal alanlar her birinin kendi kullanım desenine sahip. Her bölge kendi fiyatını belirlediği için tek beden bir tahmin bu yerel ritimleri kaçırabilir, hem teknik gerilim hem de finansal risk yaratabilir.

Geleceği görmenin üç farklı yolu

Araştırmacılar, 2019–2022 arası saatlik verileri kullanarak dokuz bölgenin her biri için üç tahmin aracı ailesini karşılaştırdı. Klasik bir istatistiksel model (SARIMA olarak adlandırıldı) günlük ve mevsimsel tekrarlayan desenleri arar ve bunları ileriye uzatır. Olasılıksal bir model (Gizli Markov Modeli) talebi iş günleri veya tatiller gibi gizli “durumlar” arasında sıçrayış olarak ele alır ve her durumun olasılığını tahmin eder. Bir derin öğrenme ağı (LSTM) geçmiş verilerin büyük hacminden karmaşık, doğrusal olmayan ilişkileri öğrenir ve talebin nasıl geliştiğinde uzun süreli belleği yakalar. Bu üçüne de normal koşullar ve stres altındaki durumlar için—en yüksek talep günü, en düşük talep günü ve büyük bir resmi tatil—bir saat ve bir gün sonrası tahminler yapmaları istendi.

Farklı bölgeler, farklı kazananlar

Sonuçlar evrensel bir şampiyon olmadığını gösteriyor. Talebi yüksek ve çok değişken olan yoğun kentsel bölgelerde, derin öğrenme modeli genellikle en iyi sonucu verdi, özellikle stresli zirve günlerinde. Örneğin, Tokyo’nun maksimum talep gününde LSTM açık şekilde klasik SARIMA modelinden daha iyi performans gösterdi. Yine de daha stabil, sanayi ağırlıklı bölgelerde ve daha düzgün desenlerde, daha basit SARIMA modeli sakin, düşük talep günlerinde düzenli döngüler hakim olduğunda sıklıkla derin öğrenmeyi eşitledi veya geçti. Olasılıksal durum tabanlı model normal koşullarda nadiren kazandı, ancak alışılmadık günlerde öne çıktı. Haftaiçi normundan keskin şekilde kopan bir resmi tatilde Tohoku’da Gizli Markov Modeli en doğru olanıydı.

Tahmin hatalarından gerçek paraya

İstatistikleri günlük sonuçlarla ilişkilendirmek için ekip, tahmin hatalarını gerçek bölgesel piyasa fiyatlarını kullanarak finansal terimlere çevirdi. Doğrulukta çok küçük farklar bile birikti. Chugoku bölgesinde doğrulukta yalnızca 0,08 puanlık bir üstünlük, tek bir zirve gününde yaklaşık 5,4 milyon yenlik ekstra maliyetin önlenmesi anlamına geliyordu. Tokyo’da yüksek talep günündeki daha büyük bir hata farkı yaklaşık 642 milyon yenlik ek bir finansal yükle eşdeğerdi. Tohoku’da resmi bir tatilde yanlış modelin seçilmesi 100 milyon yenin üzerinde maliyete yol açabilirdi. Çalışma ayrıca tahminlerin etrafındaki belirsizlik bantlarını nicelendirerek, derin öğrenmenin genellikle en dar ve en güvenilir aralıkları ürettiğini, olasılıksal modelin ise birçok bölgede en geniş riski taşıdığını gösterdi.

Daha istikrarlı bir şebeke için akıllı seçimler

Sıradan bir okuyucu için ana mesaj basit: Daha iyi uyarlanmış tahminler enerji sistemini işletmeyi daha ucuz ve daha güvenli kılar. Japonya’nın bölgeleri her yerde ve her zaman tek bir yöntemin en iyi olamayacağı kadar farklı davranıyor. Talebin karmaşık ve hızlı değiştiği yerlerde derin öğrenme parlıyor; desenlerin düzenli olduğu yerlerde klasik istatistikler iyi çalışıyor; davranışın aniden değiştiği tatil gibi durumlarda ise durum tabanlı modeller yardımcı oluyor. Her yer ve durum için doğru aracı seçerek, kamu hizmetleri günlük onlarla yüz milyonlarca yena kadar maliyeti azaltabilir, fiyat dalgalanmalarını düşürebilir ve Japonya daha esnek ve düşük karbonlu bir enerji geleceğine ilerlerken şebekeyi daha büyük bir güvenle işletilebilir hale getirebilir.

Atıf: Rabie, D., Moradi, M., Xuan, W. et al. Impact of accurate load forecasting on electricity market stability in Japan using classical time-series and deep-learning methods. Sci Rep 16, 11781 (2026). https://doi.org/10.1038/s41598-026-46859-2

Anahtar kelimeler: elektrik talebi tahmini, Japonya enerji pazarı, derin öğrenme enerji, zaman serisi modelleme, enerji piyasası riski