Elektrikli Araç Büyümesine Dayalı Elektrik Talebi Tahmini: Gradient Boosting, KNN ve Extra Trees Modellerinin Karşılaştırmalı Analizi

Abstract

Bu araştırmada, elektrikli araç sayısının yıllık elektrik tüketimi üzerindeki etkisi makine öğrenmesi yöntemleri kullanılarak incelenmiştir. Güncel veriler kullanılarak, elektrik tüketimi tahmini için Gradient Boosting, K-Nearest Neighbors (KNN), Extra Trees, Bayesian Ridge ve Elastic Net modelleri uygulanmıştır. Modeller, MAE (Ortalama Mutlak Hata), RMSE (Kök Ortalama Kare Hata) ve R² (Determinasyon Katsayısı) gibi metriklerle değerlendirilmiştir. Elde edilen sonuçlara göre, en başarılı model KNN Regressor olmuştur. KNN modeli MAE = 17,186, RMSE = 21,003 ve R² = 0.81 değeriyle en yüksek doğruluğa ulaşmıştır. Gradient Boosting ve Extra Trees modelleri de sırasıyla 24,283 ve 22,965 RMSE değerleriyle rekabetçi sonuçlar üretmiştir. Buna karşılık, Bayesian Ridge modeli -0.04 R² skoru ile yetersiz bir performans göstermiştir, yani model veri setindeki ilişkileri başarılı bir şekilde öğrenememiştir. Elastic Net modeli ise RMSE = 33,064 ve R² = 0.52 ile orta seviyede bir başarı sergilemiştir. Bu sonuçlar, elektrikli araç sayısı ile elektrik tüketimi arasında güçlü ancak doğrusal olmayan bir ilişki olduğunu göstermektedir. Özellikle KNN gibi parametrik olmayan modellerin en iyi performansı göstermesi, elektrikli araçların enerji tüketimine olan etkisinin karmaşık ve doğrudan doğrusal olmayan bir yapı sergilediğini kanıtlamaktadır. Bu sonuç, gelecekte elektrikli araç sayısının artmasıyla elektrik talebinde de orantılı bir yükseliş olacağını ve enerji altyapısının bu doğrultuda planlanması gerektiğini göstermektedir. Özellikle şehirlerarası şarj istasyonlarının artırılması, yenilenebilir enerji kaynaklarının entegrasyonu ve akıllı şebeke yönetimi gibi stratejiler, bu büyüyen talebe uyum sağlamak için kritik öneme sahip olacaktır.