Elektrikli araç şarj istasyonlarında kullanım eğilimlerinin makine öğrenimine dayalı modellenmesi ve talep tahmini

Elektrikli araçların yaygınlaşmasıyla birlikte şarj altyapısına yönelik talep tahminleri, enerji arz güvenliği ve şebeke yönetimi açısından büyük önem kazanmıştır. Bu bağlamda farklı zaman ölçeklerinde oluşturulan dört veri seti üzerinden kapsamlı bir karşılaştırma yapılmıştır. Birinci veri seti ham saatlik ölçümleri; ikinci veri seti günlük toplamları; üçüncü veri seti haftalık toplamları; dördüncü veri seti ise 24 saat ileriye dönük saatlik pencere formatını içermektedir. Her bir veri seti, klasik zaman serisi modelleri olan ARIMA (Autoregressive Integrated Moving Average, Otoregresif Bütünleşik Hareketli Ortalama) – SARIMA (Seasonal Autoregressive Integrated Moving Average, Mevsimsel Otoregresif Bütünleşik Hareketli Ortalama) ve parametrik Holt-Winters yöntemleri ile makine öğrenmesi tabanlı SVR (Support Vector Regression, Destek Vektör Regresyonu), Random Forest, XGBoost (eXtreme Gradient Boosting, Aşırı (Ekstrem) Gradyan Artırma), LightGBM (Light Gradient Boosting Machine, Hafif Gradyan Artırma Makinesi), GBR (Gradient Boosting Regressor, Gradyan Artırma Regresyonu) ve Prophet yaklaşımlarına ek olarak derin öğrenme mimarisi LSTM (Long Short-Term Memory, Uzun Kısa Süreli Bellek) ve BiLSTM (Bidirectional Long Short-Term Memory, Çift Yönlü Uzun Kısa Süreli Bellek) kullanılarak modellenmiştir. Model eğitiminde eksik değer atamaları, ölçeklendirme ve mevsimsel bileşen ayrıştırması gibi veri hazırlama adımları titizlikle yürütülmüştür; her yöntemin hiperparametre optimizasyonu deneysel gerçekleştirilmiştir. Analiz sonuçları, kısa dönemli dalgalanmaların en iyi biçimde LSTM tabanlı derin öğrenme modelleri ve Prophet tarafından yakalandığını ortaya koymuştur. Birinci ve üçüncü veri setlerinde iki katmanlı LSTM modelleri en düşük hata metriklerine ulaşırken ikinci veri setinde Prophet'in multiplicative mevsimsellik bileşeni en yüksek tahmin doğruluğunu sağlamıştır. Dördüncü veri setinin saatlik öngörülerinde ise BiLSTM mimarisi, tek katmanlı yapı ve düşük düzenleme oranlarıyla en iyi genelleme performansını vermiştir. Klasik ARIMA ve SARIMA modelleri bilgi kriterleri açısından dengeli sonuçlar sunsalar da hata minimizasyonu bakımından derin öğrenme ve Prophet kadar etkili olmamış; parametrik üstel düzleştirme yöntemlerinin katkısı ise sınırlı kalmıştır. Makine öğrenmesi tabanlı XGBoost ve LightGBM yöntemleri, düşük hesaplama maliyeti ve yorumlanabilirlik gerektiren uygulamalarda tercih edilebilir. xiii Sonuç olarak elektrikli şarj istasyonlarının talep tahmininde kısa vadeli planlama ve gerçek zamanlı optimizasyon gereksinimleri için LSTM-BiLSTM mimarileri ve Prophet önerilmektedir. Gelecekte dışsal değişkenlerin entegrasyonu ve farklı model yaklaşımlarının birleşik kullanımı, öngörü başarısını daha da artırma potansiyeli taşımaktadır.