A comparative study of arima and LSTM for two-days ahead forecasting of electricity demand in İzmir-Manisa region in Turkey / Türkiye İzmir-Manisa bölgesinde elektrik talebinin iki gün sonraki tahmini için arıma ve LSTM karşılaştırılması

Abstract

Elektrik talebini tahmin etmek, enerji altyapılarının yönetimi ve enerji piyasalarından enerji satın alma açısından hayati bir hale gelmiştir. Bu araştırma, Gdz Elektrik Dağıtım şirketinden elde edilen gerçek zaman serisi verilerini kullanarak İzmir ve Manisa bölgelerindeki elektrik talebini tahmin etmeye odaklanmaktadır. Veri seti, Ocak 2020 (COVID sonrası) ile Aralık 2022 tarihleri arasına uzanan günlük toplam enerji tüketim zaman serisini içermektedir. Geleneksel istatistiksel teknik olan ARIMA'yı kullanarak ve performansını Uzun Kısa Vadeli Hafıza ağları (LSTM) ile karşılaştırarak, çalışma hiparaparametrelerin arama alanı üzerinde tahmin doğruluğunu incelemektedir. Sonuçlar, ARIMA'nın verideki açık desenler nedeniyle özellikle hesaplama yoğun LSTM'ye meydan okuyabileceğini göstermektedir. Mevsimsel göstergeleri kullanarak veriyi detrend etmek, ARIMA'nın performansını artırır ve istatistiksel olarak eğilimli uzmanlara bilgi sağlayabilir. Predicting electricity demand has become crucial for management of energy infrastructures and purchasing energy from energy markets. This research focus on on predicting the electric demand in Izmir and Manisa regions, using actual time series data from the Gdz Electric Distribution company. The dataset encompasses daily total energy consumption time series dating from January 2020 (post-COVID) to December 2022. Employing the conventional statistical technique ARIMA and comparing its performance with Long Short-Term Memory networks (LSTM), the study examines forecasting accuracy over a search space of hyperparameters. Results showcases that ARIMA can challenge computationally-intensive LSTM especially due to the evident patterns in data. Detrending the data using seasonal indicators further increases the performance of ARIMA and can provide insights to the statistically-inclined experts.