Hydroelectric Power Forecasting via XGBoost (Extreme Gradient Boosted Decision Trees)

Bektas Aykut Atalay; Kasım Zor

Makale detayları

Hydroelectric Power Forecasting via XGBoost (Extreme Gradient Boosted Decision Trees)

Yazarlar:

Bektas Aykut Atalay | Kasım Zor

Yayıncı:

Cukurova University

Ana Başlıklar:

Elektrik Enerjisi Üretimi (Yenilenebilir Kaynaklar Dahil | Fotovoltaikler Hariç) | Hidroelektrik Enerji Sistemleri

Dergi:

Çukurova Üniversitesi Mühendislik Fakültesi Dergisi Vol.40 Issue 1, pp.205-218

Belge Tipi:

Makale

Yayın Tarihi:

3/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001343980

pISSN:

2757-9255

Anahtar kelimeler:

Özet:

 Hydropower energy is crucial for meeting Turkeys growing energy demand, driven by rapid economic and population growth. Its seasonal variability makes it suitable for forecasting algorithms. This study aims to predict energy production at the EÜAŞ Aslantaş Hydroelectric Power Plant, with a capacity exceeding 100 MW. A forecasting model was created using XGBoost Extreme Gradient Boosted Decision Trees incorporating inputs such as timestamp, historical energy production data, and temperature. Energy data source is the EPİAŞ Transparency Platform and the data was processed with Python. The model was optimized by varying the number of trees and learning rates η. Its effectiveness was rigorously assessed using statistical metrics, including the coefficient of determination R², Mean Absolute Scaled Error MASE, Root Mean Squared Error RMSE, Mean Absolute Error MAE, Weighted Absolute Percentage Error WAPE. The results indicate that machine learning algorithms can significantly enhance hydropower energy forecasting and optimize energy management strategies.

 Hydropower energy is crucial for meeting Turkeys growing energy demand, driven by rapid economic and population growth. Its seasonal variability makes it suitable for forecasting algorithms. This study aims to predict energy production at the EÜAŞ Aslantaş Hydroelectric Power Plant, with a capacity exceeding 100 MW. A forecasting model was created using XGBoost Extreme Gradient Boosted Decision Trees incorporating inputs such as timestamp, historical energy production data, and temperature. Energy data source is the EPİAŞ Transparency Platform and the data was processed with Python. The model was optimized by varying the number of trees and learning rates η. Its effectiveness was rigorously assessed using statistical metrics, including the coefficient of determination R², Mean Absolute Scaled Error MASE, Root Mean Squared Error RMSE, Mean Absolute Error MAE, Weighted Absolute Percentage Error WAPE. The results indicate that machine learning algorithms can significantly enhance hydropower energy forecasting and optimize energy management strategies.

 Hydropower energy is crucial for meeting Turkeys growing energy demand, driven by rapid economic and population growth. Its seasonal variability makes it suitable for forecasting algorithms. This study aims to predict energy production at the EÜAŞ Aslantaş Hydroelectric Power Plant, with a capacity exceeding 100 MW. A forecasting model was created using XGBoost Extreme Gradient Boosted Decision Trees incorporating inputs such as timestamp, historical energy production data, and temperature. Energy data source is the EPİAŞ Transparency Platform and the data was processed with Python. The model was optimized by varying the number of trees and learning rates η. Its effectiveness was rigorously assessed using statistical metrics, including the coefficient of determination R², Mean Absolute Scaled Error MASE, Root Mean Squared Error RMSE, Mean Absolute Error MAE, Weighted Absolute Percentage Error WAPE. The results indicate that machine learning algorithms can significantly enhance hydropower energy forecasting and optimize energy management strategies.

 Hidroelektrik enerji, Türkiyenin hızlı ekonomik ve nüfus artışıyla artan enerji talebinin karşılanmasında büyük önem taşır. Mevsimsel bağımlılığı nedeniyle hidroelektrik enerji, tahmin algoritmaları için uygundur. Bu çalışma, Türkiyede 100 MWın üzerinde güç üreten EÜAŞ Aslantaş HESde enerji üretimini tahmin etmeyi amaçlamaktadır. Tahmin modeli, XGBoost Aşırı Gradyan Artırımlı karar ağaçları ile tarih-saat kayıtları, geçmiş enerji üretim verileri ve sıcaklık gibi çeşitli girdi kullanılarak oluşturulmuştur. Üretim verileri, EPİAŞ Şeffaflık Platformundan alınmış ve Python ile işlenmiştir. XGBoost modeli, farklı ağaç sayıları ve öğrenme oranı η denenerek optimize edilmiştir. Modelin etkinliği, belirleme katsayısı R², Ortalama Mutlak Ölçekli Hata MASE, Kök Ortalama Karesel Hata RMSE, Ortalama Mutlak Hata MAE ve Ağırlıklı Mutlak Yüzdesel Hata WAPE gibi çeşitli hata ölçümleri ile titizlikle değerlendirilmiştir. Bu çalışmada kullanılan yöntemler ve elde edilen sonuçlar, hidroelektrik enerji tahmininde makine öğrenimi algoritmalarının faydalı olabileceğini ve enerji yönetimi stratejilerinin optimize edilmesine yönelik önemli bilgiler sunabileceğini göstermektedir.

Makale detayları

Hydroelectric Power Forecasting via XGBoost (Extreme Gradient Boosted Decision Trees)

Yazarlar:

Bektas Aykut Atalay | Kasım Zor

Yayıncı:

Cukurova University

Ana Başlıklar:

Elektrik Enerjisi Üretimi (Yenilenebilir Kaynaklar Dahil | Fotovoltaikler Hariç) | Hidroelektrik Enerji Sistemleri

Dergi:

Çukurova Üniversitesi Mühendislik Fakültesi Dergisi Vol.40 Issue 1, pp.205-218

Belge Tipi:

Makale

Yayın Tarihi:

3/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001343980

pISSN:

2757-9255

HPP

Hydroelectricity

Forecasting

XGBoostHES

Hidroelektrik

Tahmin

XGBoost

Sayı

Makale detayları

Yazarlar: Bektas Aykut Atalay | Kasım Zor

Yayıncı: Cukurova University

Ana Başlıklar: Elektrik Enerjisi Üretimi (Yenilenebilir Kaynaklar Dahil | Fotovoltaikler Hariç) | Hidroelektrik Enerji Sistemleri

Dergi: Çukurova Üniversitesi Mühendislik Fakültesi Dergisi Vol.40 Issue 1, pp.205-218

Belge Tipi: Makale

Yayın Tarihi: 3/2025

Belge Dili: Türkçe

Document ID (Org No.): 2001343980

pISSN: 2757-9255

Sayı

Yazarlar:

Bektas Aykut Atalay | Kasım Zor

Yayıncı:

Cukurova University

Ana Başlıklar:

Elektrik Enerjisi Üretimi (Yenilenebilir Kaynaklar Dahil | Fotovoltaikler Hariç) | Hidroelektrik Enerji Sistemleri

Dergi:

Çukurova Üniversitesi Mühendislik Fakültesi Dergisi Vol.40 Issue 1, pp.205-218

Belge Tipi:

Makale

Yayın Tarihi:

3/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001343980

pISSN:

2757-9255