KaydedilenlerDerginizi ekleyin

Dergiler / Bandırma Onyedi Eylül Üniversitesi Sosyal Bilimler Araştırmaları Dergisi / 2026 / Cilt: 8 Sayı: 1

ENERJİ TÜKETİM TAHMİNİNİN BİBLİYOMETRİK ANALİZİ; ÖRÜNTÜLER, EĞİLİMLER, YÖNELİMLER

Menekşe Yeşim Çakirli(İSTANBUL ÜNİVERSİTESİ-CERRAHPAŞA, MÜHENDİSLİK FAKÜLTESİ, ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜMÜ, ENDÜSTRİ MÜHENDİSLİĞİ ANABİLİM DALI)0000-0002-2081-3311
Ersin Namlı(İSTANBUL ÜNİVERSİTESİ-CERRAHPAŞA, MÜHENDİSLİK FAKÜLTESİ, ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜMÜ, ENDÜSTRİ MÜHENDİSLİĞİ PR.)0000-0001-5980-9152
Sayfa
23–43
Yayın Tarihi
2025-06-30
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Ülke genelinde ilgili kriterleri sağlayan altı çalışma ile Türkiye yirminci sırada yer almıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, elektrik tüketim tahminlemesinde kullanılan makine öğrenmesi, derin öğrenme ve pekiştirmeli öğrenme yöntemlerinin uygulandığı çalışmaların incelendiği bibliyometrik bir literatür taramasıdır.
📊
Temel Bulgular & Veri:Bu kapsamda, Web of Science veri tabanındaki elektrik tüketim tahmini alanında 2015 ile 2024 yıllarını kapsayan 10 yıllık bir zaman diliminde yayınlanmış 481 makale incelenmiştir.
💡
Sonuç & Katkı:Ülke genelinde ilgili kriterleri sağlayan altı çalışma ile Türkiye yirminci sırada yer almıştır.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:2015 Verileri
⚙️Değişkenler:Elektrik Tüketim Tahmini · Derin Öğrenme · Makine Öğrenmesi

Özet

Bu çalışma, elektrik tüketim tahminlemesinde kullanılan makine öğrenmesi, derin öğrenme ve pekiştirmeli öğrenme yöntemlerinin uygulandığı çalışmaların incelendiği bibliyometrik bir literatür taramasıdır. Bu kapsamda, Web of Science veri tabanındaki elektrik tüketim tahmini alanında 2015 ile 2024 yıllarını kapsayan 10 yıllık bir zaman diliminde yayınlanmış 481 makale incelenmiştir. Verilerin incelenmesinde R-Studio programının Bibliometrix paketinden faydalanılırken sonuçlar performans analizi sonuçları ve bilimsel haritalama sonuçları olmak üzere iki temel başlık altında toplanmıştır. Çalışma dahilinde yalnızca makale türündeki yayınlar incelenmiş, en üretken ülke Çin olurken en çok atıf alan yazar Bodis ve en fazla yayın yapan kurum Huazhong Bilim ve Teknoloji Üniversitesi olmuştur. Ülke genelinde ilgili kriterleri sağlayan altı çalışma ile Türkiye yirminci sırada yer almıştır.

🔖

Bu Makaleye Atıf Yap

Çakirli, M. Y., Namlı, E. (2025). ENERJİ TÜKETİM TAHMİNİNİN BİBLİYOMETRİK ANALİZİ; ÖRÜNTÜLER, EĞİLİMLER, YÖNELİMLER. Bandırma Onyedi Eylül Üniversitesi Sosyal Bilimler Araştırmaları Dergisi, Cilt: 8 Sayı: 1, 23–43. https://doi.org/10.38120/banusad.1580979

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (16)

  1. Abdelaziz, A., Santos, V., & Dias, M. S. (2021). Machine learning techniques in the energy consumption of buildings: A systematic literature review using text mining and bibliometric analysis. Energies, 14(22), 7810.
  2. Ajibade, S. S. M., Bashir, F. M., Dodo, Y. A., Dayupay, J. P., De La Calzada, L. M., & Adediran, A. O. (2023, October). Application of Machine Learning in Energy Storage: A Scientometric Research of a Decade. In International Conference on Information and Software Technologies (pp. 124-135). Cham: Springer Nature Switzerland.
  3. Alagumalai, A., Mahian, O., Aghbashlo, M., Tabatabaei, M., Wongwises, S., & Wang, Z. L. (2021). Towards smart cities powered by nanogenerators: Bibliometric and machine learning–based analysis. Nano Energy, 83, 105844.
  4. Assouline, D., Mohajeri, N., & Scartezzini, J. L. (2017). Quantifying rooftop photovoltaic solar energy potential: A machine learning approach. Solar Energy, 141, 278-296.
  5. Bedi, J., & Toshniwal, D. (2019). Deep learning framework to forecast electricity demand. Applied energy, 238, 1312-1326.
  6. Bódis, K., Kougias, I., Jäger-Waldau, A., Taylor, N., & Szabó, S. (2019). A high-resolution geospatial assessment of the rooftop solar photovoltaic potential in the European Union. Renewable and Sustainable Energy Reviews, 114, 109309.
  7. Bouktif, S., Fiaz, A., Ouni, A., & Serhani, M. A. (2018). Optimal deep learning lstm model for electric load forecasting using feature selection and genetic algorithm: Comparison with machine learning approaches. Energies, 11(7), 1636.
  8. Carlucci, S., De Simone, M., Firth, S. K., Kjærgaard, M. B., Markovic, R., Rahaman, M. S.,. & Van Treeck, C. (2020). Modeling occupant behavior in buildings. Building and Environment, 174, 106768.
  9. Ciner, M. N., Güler, M., Namlı, E., Samastı, M., Ulu, M., Peker, İ. B., & Gülbaz, S. (2024). The Forecast of Streamflow through Göksu Stream Using Machine Learning and Statistical Methods. Water, 16(8), 1125.
  10. Doruköz, K. D., & Uslu, B. (2023). YAPAY ZEKÂNIN İŞ HAYATINDAKİ YERİ: AVANTAJLAR, DEZAVANTAJLAR VE POLİTİKALAR. Bandırma Onyedi Eylül Üniversitesi Sosyal Bilimler Araştırmaları Dergisi, 6(CEEİK 2023 Özel Sayısı), 45-62.
  11. Dönmez, E., Diker, A., Elen, A., & Ulu, M. (2024). Multiple deep learning by majority-vote to classify haploid and diploid maize seeds. Scientia Horticulturae, 337, 113549.
  12. Garfield, E. (1980). Bradford law and related statistical patterns. Current contents, (19), 5-12.
  13. Godin, B. (2006). On the origins of bibliometrics. Scientometrics, 68(1), 109-133.
  14. Hirsch, J. E. (2005). An index to quantify an individual's scientific research output. Proceedings of the National academy of Sciences, 102(46), 16569-16572.
  15. Kışlalıoğlu, R. S. (2024). ETİK TÜKETİM ÜZERİNE BİR BİBLİYOMETRİK ANALİZ. Bandırma Onyedi Eylül Üniversitesi Sosyal Bilimler Araştırmaları Dergisi, 7(1), 124-144.
  16. Carlucci, S., De Simone, M., Firth, S. K., Kjærgaard, M. B., Markovic, R., Rahaman, M. S.,. & Van Treeck, C. (2020). Modeling occupant behavior in buildings. Building and Environment, 174, 106768.