Derin öğrenme yöntemleriyle karşılaştırmalı elektrik enerjisi üretim tahminleri

Abstract

Bu çalışmada, altı farklı ülke için nükleer enerjiden elektrik üretimi analiz edilmiştir. Bu ülkeleri ABD, Fransa, Japonya, Güney Kore, Rusya ve Çin olarak sıralayabiliriz. Çalışmada kullanılan veri setleri, Our World in Data kaynağından elde edilmiş olup, her ülkenin nükleer enerji üretim süreçlerine ilişkin uzun vadeli verilere dayanmaktadır. Araştırmanın önemi, nükleer enerjinin elektrik üretimindeki rolünü ve ülkeler arasındaki üretim farklarını ortaya koyarak enerji politikaları ve stratejileri hakkında önemli bilgiler sunmasıdır. Bu tür kapsamlı bir analiz, enerji sektörü için kritik kararların alınmasına yardımcı olabilir ve gelecekteki enerji üretim trendlerinin öngörülmesine katkı sağlayabilir. Çalışmanın yeniliği, hem istatistiksel hem de derin öğrenme modellerini kullanarak nükleer enerji üretim tahminlerinin yapılmasında yatmaktadır. Kullanılan modeller arasında Naive, SES, Auto.Arima, Holt-Winters, ETS, Thetaf, NNETAR ve MLP gibi yöntemler bulunmaktadır. Bu modellerin performansı, RMSE, MAE ve MAPE gibi metriklerle değerlendirilmiştir. Analiz sonuçları, her ülke için en uygun modelin farklı olduğunu göstermiştir; örneğin, ABD için NNETAR modeli en başarılı sonuçları verirken, Fransa için Thetaf modeli öne çıkmıştır. Bu durum, her ülkenin enerji üretim dinamiklerinin farklı olduğunu ve bu nedenle model seçiminde dikkatli olunması gerektiğini göstermektedir. Çalışmanın literatüre katkısı, nükleer enerji üretiminin analizi ve tahmininde kullanılan model çeşitliliği ve bu modellerin farklı ülkeler üzerindeki performansının incelenmesiyle belirginleşmektedir. Enerji üretiminde kullanılan yöntemlerin karşılaştırılması, politika yapıcılar ve araştırmacılar için değerli bilgiler sunmaktadır. Ayrıca, bu çalışmada elde edilen bulgular, enerji güvenliği ve sürdürülebilirlik konularında önemli çıkarımlar yapılmasına imkân tanımaktadır. Genel olarak, bu araştırma, enerji sektöründeki modelleme çalışmalarına önemli bir katkı sağlayarak, gelecekteki enerji üretim trendlerini daha doğru bir şekilde tahmin etmeye yardımcı olabileceğine inanılmaktadır.

In this study, electricity production from nuclear energy was analyzed for six different countries. We can list these countries as the USA, France, Japan, South Korea, Russia and China. The data sets used in the study were obtained from the Our World in Data resource and are based on long-term data on each country's nuclear energy production processes. The importance of the research is that it provides important information about energy policies and strategies by revealing the role of nuclear energy in electricity production and the production differences between countries. Such a comprehensive analysis can help make critical decisions for the energy sector and contribute to predicting future energy production trends. The novelty of the study lies in making nuclear energy production predictions using both statistical and deep learning models. Among the models used are methods such as Naive, SES, Auto.Arima, Holt-Winters, ETS, Thetaf, NNETAR and MLP. The performance of these models was evaluated with metrics such as RMSE, MAE and MAPE. The analysis results showed that the most appropriate model for each country is different; For example, while the NNETAR model gave the most successful results for the USA, the Thetaf model stood out for France. This shows that the energy production dynamics of each country are different and therefore care should be taken in model selection. The contribution of the study to the literature becomes evident by examining the variety of models used in the analysis and forecasting of nuclear energy production and the performance of these models on different countries. Comparing the methods used in energy production provides valuable information for policy makers and researchers. Additionally, the findings obtained in this study allow important inferences to be made on energy security and sustainability issues. Overall, it is believed that this research can help predict future energy production trends more accurately, making a significant contribution to modeling studies in the energy sector.