Derin öğrenme yöntemleriyle karşılaştırmalı elektrik enerjisi üretim tahminleri

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.