SavedAdd your journal

Journals / Karamanoğlu Mehmetbey Üniversitesi Sosyal ve Ekonomik Araştırmalar Dergisi / 2026 / Cilt: 28 Sayı: 52

FORECASTING HYDROELECTRIC ENERGY PRODUCTION: A COMPARISON OF DEEP LEARNING APPROACH AND ARIMA MODEL

HİDROELEKTRİK ENERJİ ÜRETİMİNİN TAHMİNİ: DERİN ÖĞRENME YAKLAŞIMI İLE ARIMA MODELİNİN KARŞILAŞTIRILMASI

Betül Günay(MANİSA CELÂL BAYAR ÜNİVERSİTESİ)0009-0008-1768-2841
Burcu Kocarık Gacar(MANİSA CELÂL BAYAR ÜNİVERSİTESİ)0000-0001-5944-4456
Mehmet Sandal(MANİSA CELÂL BAYAR ÜNİVERSİTESİ)0000-0001-7396-0801
Pages
687–706
Publication Date
2026-08-29
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

The findings indicate that electricity generation can be predicted with higher accuracy using the LSTM model.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The aim of this study is to estimate the daily generation potential of hydroelectric power plants in Türkiye using electricity production data.
📊
Key Findings & Data:For this purpose, hourly production data from a total of 14 hydroelectric power plants were used, with two plants selected from each of Türkiye’s seven geographical regions based on the highest generation levels for the period 2022–2024.
💡
Conclusion & Impact:The findings indicate that electricity generation can be predicted with higher accuracy using the LSTM model.
🔬Design:Modeling & Simulation
📍Scope:2022–2024 Verileri
⚙️Variables:Hidroelektrik Santrali · Enerji Tahmini · Derin Öğrenme

Abstract

The aim of this study is to estimate the daily generation potential of hydroelectric power plants in Türkiye using electricity production data. For this purpose, hourly production data from a total of 14 hydroelectric power plants were used, with two plants selected from each of Türkiye’s seven geographical regions based on the highest generation levels for the period 2022–2024. The Python programming language was employed in the processes of data preprocessing and the implementation of forecasting methods. In the study, the forecasting performance of the Autoregressive Integrated Moving Average (ARIMA) model and the deep learning-based Long Short-Term Memory (LSTM) algorithm were compared. The findings indicate that electricity generation can be predicted with higher accuracy using the LSTM model. Accordingly, hydroelectric generation forecasts for the year 2025 were produced using the LSTM model. It is observed that studies comparing classical time series models and deep learning approaches for hydroelectric generation forecasting in Türkiye are limited. By evaluating the performance of these two approaches on the same dataset using quantitative metrics, this study provides comparative empirical evidence to the existing literature. The findings are expected to offer methodological contributions to energy planning and generation forecasting studies.

Özet

Bu çalışmanın amacı Türkiye’deki hidroelektrik santrallerden elde edilen elektrik üretim verileri için günlük üretim potansiyelinin tahmin edilmesidir. Bu amaçla 2022-2024 yılları arasında Türkiye’nin yedi coğrafi bölgesinin her birinden en yüksek hidroelektrik enerji üretimi gerçekleştirilen ikişer santral seçilerek toplam 14 santrale ait saatlik üretim verileri kullanılmıştır. Veri düzenleme ve tahmin yöntemlerinin uygulanması süreçlerinde Python programlama dili kullanılmıştır. Çalışmada Otoregresif Entegre Hareketli Ortalama (ARIMA) modeli ile derin öğrenme yöntemi olan Uzun-Kısa Vadeli Bellek (LSTM) algoritmasının tahmin performansları karşılaştırılmıştır. Elde edilen bulgular, elektrik üretiminin LSTM modeli ile daha yüksek doğrulukta tahmin edilebildiğini göstermiştir. Bu doğrultuda LSTM modeli kullanılarak 2025 yılına ilişkin hidroelektrik üretim tahminleri gerçekleştirilmiştir. Türkiye’de hidroelektrik santrallerine yönelik elektrik üretim tahmininde klasik zaman serisi modelleri ile derin öğrenme yaklaşımlarını karşılaştırmalı olarak ele alan çalışmaların sınırlı sayıda olduğu gözlenmektedir. Bu çalışma, iki farklı yaklaşımın performansını aynı veri kümesi üzerinde nicel ölçütlere göre değerlendirerek mevcut literatüre karşılaştırmalı ampirik bulgular sunmaktadır. Elde edilen bulguların enerji planlaması ve üretim öngörüsü çalışmalarına yöntemsel katkı sağlayabileceği değerlendirilmektedir.

🔖

Cite This Article

Günay, B., Gacar, B. K., Sandal, M. (2026). FORECASTING HYDROELECTRIC ENERGY PRODUCTION: A COMPARISON OF DEEP LEARNING APPROACH AND ARIMA MODEL. Karamanoğlu Mehmetbey Üniversitesi Sosyal ve Ekonomik Araştırmalar Dergisi, Cilt: 28 Sayı: 52, 687–706. https://doi.org/10.18493/kmusekad.1666383

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (42)

  1. Akbulut, S. ve Adem, K. (2023). Derin Öğrenme ve Makine Öğrenmesi Yöntemleri Kullanılarak Gelişmekte Olan Ülkelerin Finansal Enstrümanlarının Etkileşimi ile BIST 100 Tahmini. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 12(1), 52-63. https://doi.org/10.28948/ngumuh.1131191
  2. Akgül, I. (1994). Zaman Serisi Analizi ve Öngörü Modelleri. Öneri, 1(1),52-69. https://doi.org/10.14783/maruoneri.698511
  3. Alpaydin, E. (2020). Introduction to Machine Learning. MIT Press.
  4. Bilgili, M., Keiyinci, S., ve Ekinci, F. (2022). One-Day Ahead Forecasting of Energy Production from Run-of-River Hydroelectric Power Plants with a Deep Learning Approach. Scientia Iranica, 29(4),1838-1852. https://doi.org/10.24200/sci.2022.58636.5825
  5. Box, G. E., Jenkins, G. M., Reinsel, G. C. and Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control. John Wiley & Sons.
  6. Wilson, G. T. (2016). Time Series Analysis: Forecasting and Control, 5th Edition, by George E. P. Box, Gwilym M. Jenkins, Gregory C. Reinsel and Greta M. Ljung, 2015. Published by John Wiley and Sons Inc., Hoboken, New Jersey, pp. 712. ISBN: 978-1-118-67502-1, Book Review, Journal of Time Series Analysis, 37(5). https://doi.org/10.1111/jtsa.12194
  7. Bulut, M. (2021). Hydroelectric Generation Forecasting with Long Short Term Memory (LSTM) Based Deep Learning Model for Turkey. arXiv preprint arXiv:2109.09013.
  8. Çetin, Ö. ve Isık, A. H. (2022). Derin Öğrenme ile Güneş Enerjisi Santrallerinde Aylık Elektrik Üretim Tahmini. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 13(Ek/Suppl.1), 382-387. https://doi.org/10.29048/makufebed.1144631
  9. Çınar, M. ve Öz, R. (2017). Enerji Tüketimi ve Ekonomik Büyüme İlişkisine Yenilenebilir Enerji Bağlamında Bir Öneri. International Journal of Academic Value Studies, 3(13),40-54. https://doi.org/10.23929/javs.350
  10. Devlet Su İşleri (DSİ) (2025). ‘‘2024 Yılı Resmi Su Kaynakları İstatistikleri’’, https://www.dsi.gov.tr/, (10.01.2025).
  11. Demirkıran, S., Beyoğlu, A., Terzioğlu, M. K., ve Yaşar, A. (2022). Sürdürülebilir Kalkınma Odaklı Dijitalleşme Belirleyicilerinin Verimlilik Üzerindeki Etkilerinin Yapay Sinir Ağları ile Sınıflandırılması. Verimlilik Dergisi, 30-47. https://doi.org/10.51551/verimlilik.988286
  12. Dickey, D. A. and Fuller, W. A. (1981). Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root. Econometrica: Journal of the Econometric Society, 1057-1072. https://doi.org/10.2307/1912517
  13. Ediger, V. Ş. and Akar, S. (2007). ARIMA Forecasting of Primary Energy Demand by Fuel in Turkey. Energy Policy, 35(3),1701–1708. https://doi.org/10.1016/j.enpol.2006.05.009
  14. Enerji Piyasası Düzenleme Kurumu (EPDK) (2024). ‘‘Elektrik Piyasası Sektör Raporu’’, https://www.epdk.gov.tr, (10.01.2025).
  15. Enerji Piyasaları İşletme A.Ş. (EPİAŞ) (2025). ‘‘Gerçek Zamanlı Elektrik Üretimi’’, https://seffaflik.epias.com.tr/electricity/electricity-generation/ex-post-generation/real-time-generation, (07.01.2025).
  16. Hochreiter, S. and Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8),1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
  17. Güler, E., Yerel Kandemir, S., and Aladağ, Z. (2024). Hidroelektrik Enerji Üretiminin Dematel ve Regresyon Yöntemleri ile Değerlendirilmesi. Endüstri Mühendisliği Dergisi, 35(3),437-464. https://doi.org/10.46465/endustrimuhendisligi.1533179
  18. Kankal, M. ve Akçay, F. (2019). Doğu Karadeniz Havzası Hidroelektrik Enerji Durumunun İncelenmesi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 8(2),892-901. https://doi.org/10.28948/ngumuh.598239
  19. Kara, A. (2019). Uzun-Kısa Süreli Bellek Ağı Kullanarak Global Güneş Işınımı Zaman Serileri Tahmini. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 7(4),882-892. https://doi.org/10.29109/gujsc.571831
  20. Kong, W., Dong, Z. Y., Jia, Y., Hill, D. J., Xu, Y., and Zhang, Y. (2017). Short-Term Residential Load Forecasting Based on LSTM Recurrent Neural Network. IEEE Transactions on Smart Grid, 10(1), 841–851. https://doi.org/10.1109/TSG.2017.2753802
  21. Kuşkaya, S. ve Bilgili, F. (2020). Hidroelektrik Enerji Tüketiminin Çevre Üzerine Etkisinin Sürekli Dalgacık Uyumu Modeli ile Araştırılması: ABD Örneği. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (55), 263-284. https://doi.org/10.18070/erciyesiibd.565196
  22. Ma, X., Hu, H., and Ren, Y. (2023). A Hybrid Deep Learning Model Based on Feature Capture of Water Level Influencing Factors and Prediction Error Correction for Water Level Prediction of Cascade Hydropower Stations Under Multiple Time Scales. Journal of Hydrology, 617, 129044. https://doi.org/10.1016/j.jhydrol.2022.129044
  23. Makas, Y. ve Karaatlı, M. (2016). Yapay Sinir Ağlarıyla Hidroelektrik Enerji Üretiminin Çok Dönemli Tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 21(3), 757-772. https://izlik.org/JA54NA68PG
  24. Makridakis, S. (1976). A Survey of Time Series, International Statistical Review, 44(1), 29-70. https://doi.org/10.2307/1402964
  25. Metin, N., Karadağ, K., ve Terzioğlu, M. K. (2020). MLP/RBF Ağ Mimarileriyle Hibrit MGARCH-ANN Model Performans Karşılaştırması: Petrol Fiyat Oynaklığı. Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 78-93. https://izlik.org/JA93WM99UE
  26. Montanari, A., Young, G., Savenije, H. H., Hughes, D., Wagener, T., Ren, L. L., et al. (2013). Panta Rhei - Everything Flows: Change in Hydrology and Society - the IAHS Scientific Decade 2013–2022. Hydrological Sciences Journal, 58(6),1256-1275. https://doi.org/10.1080/02626667.2013.809088
  27. Nebati, E. E., Taş, M., ve Ertaş, G. (2021). Türkiye’de Elektrik Tüketiminde Talep Tahmini: Zaman Serisi ve Regresyon Analizi ile Karşılaştırma. Avrupa Bilim ve Teknoloji Dergisi, (31)348-357. https://doi.org/10.31590/ejosat.998277
  28. Sagheer, A. and Kotb, M. (2019). Unsupervised Pre-Training of a Deep LSTM-Based Stacked Autoencoder for Multivariate Time Series Forecasting Problems. Scientific Reports, 9(1),19038. https://doi.org/10.1038/s41598- 019-55320-6
  29. Sevinç, A. ve Kaya, B. (2021). Derin Öğrenme ve İstatistiksel Modelleme Yöntemiyle Sıcaklık Tahmini ve Karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi, (28),1222-1228. https://doi.org/10.31590/ejosat.1014106
  30. Şavkar, E. (2024). Yenilenebilir Enerji Zemininde Hidroelektrik Enerji ve Türkiye Potansiyeli. Oğuzhan Sosyal Bilimler Dergisi, 6(1), 51-58. https://doi.org/10.55580/oguzhan.1484562
  31. Şişmanoğlu, G., Koçer, F., Önde, M. A., ve Sahingoz, O. K. (2020). Derin Öğrenme Yöntemleri ile Borsada Fiyat Tahmini. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 9(1), 434-445. https://doi.org/10.17798/bitlisfen.571386
  32. Oral, F., Behçet, R., ve Aykut, K. (2017). Hidroelektrik Santral Rezervuar Verilerinin Enerji Üretimi Amaçlı Değerlendirilmesi. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 6(2),29-38. https://doi.org/10.17798/bitlisfen.308545
  33. Özdemir, M. S., Dalcalı, A., ve Ocak, C. (2020). Akarsu Tipi Hidroelektrik Santraller ve Bu Santrallerde Kullanılan Türbin-Generatörler. Mühendislik Bilimleri ve Araştırmaları Dergisi, 2(2), 69-75. https://doi.org/10.46387/bjesr.798387
  34. Pao, H. T. and Tsai, C. M. (2011). Modeling and Forecasting the CO₂ Emissions, Energy Consumption, and Economic Growth in Brazil. Energy, 36(5),2450–2458. https://doi.org/10.1016/j.energy.2011.01.032
  35. Türkiye Elektrik İletim A.Ş. (TEİAŞ) (2024). ‘‘Türkiye Elektrik Kurulu Güç istatistikleri’’, https://www.teias.gov.tr, (10.01.2025).
  36. Varürer, İ., Özaydın, Ö., ve Çemrek, F. (2025). BIST100 Endeksi Fiyatının LSTM, CNN-LSTM ve BILSTM Modelleri ile Tahmin Edilmesi. Ekonomi ve Yönetim Araştırmaları Dergisi, 14(2), 1-24. https://izlik.org/JA39JZ57FD
  37. Yılmaz, M.C. ve Orman, Z. (2021). LSTM Derin Öğrenme Yaklaşımı ile Covid-19 Pandemi Sürecinde Twitter Verilerinden Duygu Analizi, Acta Infologica, 5(2),359-372. https://doi.org/10.26650/acin.947747
  38. Yılmaz, H. (2025). Yapay Sinir Ağları Yöntemiyle BIST 100 Endeksi Tahmini. Business & Management Studies: An International Journal, 13(3), 1240-1259. https://doi.org/10.15295/bmij.v13i3.2621
  39. Wang, S., Yang, B., Chen, H., Fang, W., and Yu, T. (2022). LSTM-Based Deformation Prediction Model of the Embankment Dam of the Danjiangkou Hydropower Station. Water, 14(16), 2464. https://doi.org/10.3390/w14162464
  40. Zarfl, C., Berlekamp, J., He, F., Jähnig, S. C., Darwall, W., and Tockner, K. (2019). Future Large Hydropower Dams Impact Global Freshwater Megafauna. Scientific Reports, 9(1),18531. https://doi.org/10.1038/s41598-019- 54980-8
  41. Zhang, G. P. (2003). Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model. Neurocomputing, 50, 159-175. https://doi.org/10.1016/S0925-2312(01)00702-0
  42. Zhou, F., Li, L., Zhang, K., Trajcevski, G., Yao, F., Huang, Y., et al. (2020). Forecasting the Evolution of Hydropower Generation. In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 2861-2870).