Pamukkale Univ Muh Bilim Derg. Baskýdaki Makaleler: PAJES-38921 | DOI: 10.5505/pajes.2025.38921

Hava durumu verilerinin kýsa dönem elektrik yük tahmini üzerine etkileri

Murat Ünlü, Habil Ergen
Kocaeli Üniversitesi Mühendislik Fakültesi, Elektrik Mühendisliði Bölümü, Kocaeli

Elektrik tüketim talebinin doðru bir þekilde tahmin edilmesi, enerji þirketleri için planlama ve kaynak yönetimi açýsýndan büyük bir öneme sahiptir ve bu nedenle, hava durumunun elektrik yük tahminine olan etkilerinin tam olarak belirlenmesi gerekmektedir. Bu çalýþmada, hava durumunun kýsa dönem elektrik yük tahmini üzerindeki etkileri incelenmiþtir. Catboost, LightGBM ve XGBoost gibi güçlü makine öðrenmesi modelleri ile geçmiþ yük verileri, gün özellikleri ve tatil günleri gibi baðýmsýz deðiþkenlerle birleþtirilerek elektrik yük tahmini yapýlmýþtýr. Ýlk olarak hava durumu verileri hariç tutularak tahmin yapýlmýþ, ardýndan hava durumu verileri eklenerek modellerin performanslarý karþýlaþtýrýlmýþtýr. Modellerin performans deðerlendirmesi için ortalama mutlak yüzdesel hata (MAPE), ortalama karesel hata (MSE) ve ortalama mutlak hata (MAE) kullanýlmýþtýr. Bir yýl boyunca modellerin günlük performansý ölçülmüþtür. Hava durumu verilerinin veri setine eklenmesiyle birlikte MAPE deðerlerinde LightGBM modelinde %3,213, XGBoost modelinde %3,404 ve CatBoost modelinde %6,671 performans iyileþmesi olduðu tespit

Anahtar Kelimeler: Kýsa dönem yük tahmini, Hava durumu, Makine öðrenmesi, MAPE

---

The effects of weather data on short-term electricity load forecasting

Murat Ünlü, Habil Ergen
Kocaeli University, Engineering Faculty, Electrical Engineering Department, Kocaeli, Turkey

Accurate estimation of electricity consumption demand is of great importance for energy companies in terms of planning and resource management, and therefore, it is necessary to fully determine the effects of weather conditions on electricity load estimation. In this study, the effects of weather conditions on short-term electricity load estimation were investigated. Electric load estimation was performed by combining historical load data with independent variables such as day characteristics and holidays with a powerful machine learning model such as CatBoost, LightGBM and XGBoost. First, estimation was performed by excluding weather data, and then the performances of the models were compared by adding weather data. Mean absolute percentage error (MAPE), mean square error (MSE) and mean absolute error (MAE) were used to evaluate the performance of the models. Daily performance of the models was measured for a year. With the addition of weather data to the dataset, MAPE values were found to improve by 3.213% for the LightGBM model, 3.404% for the XGBoost model and 6.671% for the CatBoost model.

Keywords: Short-term load estimation, Weather, Machine learning, MAPE

---

ATIF KOPYALA