Türkiye ve Kanada'da elektrik tüketimi tahmini: Makine öğrenmesi modellerinin karşılaştırmalı analizi

Elektrik tüketimi, ekonomik büyüme, kentleşme ve enerji politikaları ile olan yakın ilişkisi nedeniyle enerji planlaması açısından temel göstergelerden biri olarak kabul edilmektedir. Bu çalışmada, Türkiye ve Kanada'da kişi başı elektrik tüketiminin tahmin edilmesine yönelik karşılaştırmalı bir analiz gerçekleştirilmiştir. Analiz kapsamında kişi başı gelir, sanayi katma değeri, yenilenebilir enerji oranı, elektrik iletim ve dağıtım kayıpları ile kentleşme oranı bağımsız değişkenler olarak ele alınmıştır. Ayrıca, elektrik tüketiminin zamansal bağımlılığını yansıtmak amacıyla modele gecikmeli değişken dâhil edilmiştir. Modelleme sürecinde Gauss Süreç Regresyonu (GPR), Destek Vektör Regresyonu (SVR), XGBoost, Yapay Sinir Ağları (MLP), Topluluk Öğrenme yöntemleri ve Çoklu Doğrusal Regresyon (MLR) modelleri kullanılmıştır. Elde edilen bulgular, makine öğrenmesi temelli yöntemlerin genel olarak yüksek tahmin performansı sergilediğini göstermektedir. Türkiye için en başarılı sonucun GPR modeli ile elde edildiği, Kanada için ise Topluluk Öğrenme yaklaşımının daha yüksek performans sunduğu belirlenmiştir. Bununla birlikte, Türkiye veri setinde MLR modelinin de dikkat çekici düzeyde başarılı sonuçlar verdiği görülmüştür. Ayrıca, gecikmeli değişkenin modele dâhil edilmesinin tahmin doğruluğunu artırdığı tespit edilmiştir. Sonuç olarak, elektrik tüketimi dinamiklerinin ülkeden ülkeye farklılık gösterebildiği ve bu nedenle tek bir modelin tüm ülkeler için aynı düzeyde başarı sağlamasının beklenmemesi gerektiği anlaşılmaktadır. Elde edilen bulgular, makine öğrenmesi yöntemlerinin enerji planlaması ve politika geliştirme süreçlerinde etkin bir şekilde kullanılabileceğini ortaya koymaktadır. Bu kapsamda, daha geniş veri setleri ve alternatif modelleme yaklaşımları ile gerçekleştirilecek çalışmaların literatüre katkı sağlayacağı değerlendirilmektedir.

Electricity consumption is considered one of the fundamental indicators in energy planning due to its close relationship with economic growth, urbanization, and energy policies. In this study, a comparative analysis is conducted to estimate per capita electricity consumption in Turkey and Canada. Within the scope of the analysis, GDP per capita, industrial value added, the share of renewable energy, electricity transmission and distribution losses, and the urbanization rate are included as independent variables. In addition, a lagged variable is incorporated into the model to capture the temporal dependency of electricity consumption. During the modeling process, Gaussian Process Regression (GPR), Support Vector Regression (SVR), XGBoost, Artificial Neural Networks (MLP), Ensemble Learning methods, and Multiple Linear Regression (MLR) are employed. The findings indicate that machine learning–based methods generally demonstrate high predictive performance. For Turkey, the best results are obtained from the GPR model, whereas for Canada, the Ensemble Learning approach yields superior performance. Furthermore, the MLR model also shows notably strong performance in the Turkey dataset. In addition, the inclusion of the lagged variable is found to improve prediction accuracy. In conclusion, the dynamics of electricity consumption may vary across countries; therefore, a single model cannot be expected to achieve the same level of performance for all cases. The results suggest that machine learning methods provide effective tools for energy planning and policy development. In this context, future studies based on larger datasets and alternative modeling approaches are expected to contribute to the existing literature.