Estimation of electric consumption of the firms operating in different sectors with machine learning algorithms

Abstract

Firms or companies need to be able to draw a sustainable and effective roadmap and to estimate the electricity consumption amounts at the best level. The more successful the electricity consumption estimation is, the lower the cost of the companies. That's why it's so important in today's world. Accurate consumption estimating real-time imbalances will provide a competitive advantage with other retail sales companies. In this study, Machine Learning (ML) methods are proposed to make short-term consumption estimation and to test the accuracy of the methods, hourly consumption estimations of firms (companies) from various sectors in Turkey are made and the results are evaluated. Even if different methods perform well at different times, they cannot consistently perform the same. In this thesis study, we evaluate the results of mean absolute error (as performance measurement indicator) using Extreme Gradient Boosting Regression (XGBR) and Gradient Boosting Regression (GBR) methods and interpreted the results. The programming codes are written in Python programming language. It is observed that it is a suitable to use ML methods for the estimation of electricity consumption for future periods and similar studies. Firmaların etkin bir yol haritası çizebilmesi için elektrik tüketim miktarlarını en iyi seviyede tahmin edebilmesi gerekmektedir. Elektrik tüketim tahmini ne kadar başarılı olursa firmaların maliyeti de o kadar düşük olmaktadır. Bu yüzden elektrik tüketim tahminini en başarılı şekilde tahmin edebilmek günümüz rekabetçi piyasalarda bütük önem arz etmektedir. Gerçek zamanlı dengesizlikleri tahmin eden doğru tüketim tahmini, diğer firmalara karşı rekabet avantajı sağlayacaktır. Bu çalışmada, kısa vadeli tüketim tahmini yapmak ve yöntemlerin doğruluğunu test etmek için Makine Öğrenmesi (ML) yöntemleri önerilmekte, Türkiye'de çeşitli sektörlerden firmaların (şirketlerin) saatlik tüketim tahminleri yapılmakta ve sonuçlar değerlendirilmektedir. Farklı yöntemler farklı zamanlarda iyi performans gösterseler bile, tutarlı bir şekilde aynı performansı gösteremezler. Bu tez çalışmada, Aşırı Gradyant Destekleme Regresyonu ve Gradyant Destekeleme Regresyonu yöntemlerini kullanarak ortalama mutlak hata (performans ölçüm göstergesi olarak) sonuçları değerlendirilmekte ve sonuçları yorumlanmaktadır. Programlama kodları Python programlama dilinde yazılmıştır. Gelecek dönemler için elektrik tüketimi tahmini ve benzeri çalışmalarda makine öğrenmesi yöntemlerinin kullanılmasının uygun olduğu gözlemlenmektedir.