Bu tədqiqat, Colorado eyaletindeki Boulder şəhərinde 2018-2025 dəhəmiyyətinde kaydedilən elektrikli avtomobil şarj enerjisi məlumatlarini kulləsasrak günlük və illik enerji tələbatıni proqnoz etmektedir. Araşdırmada şəbəkəac əsaslı XGBoost və LightGBM modelləri ilə CNN-LSTM və GRU dərin öyrənmə modelləri qarşılaştırılmış; şarj qeydləri meteoroloji dəyişənlər, təqvim xüsusiyyətləri, şarj stansiyası kullanım göstəriciləri, gecikmiş dəyərlər və hərəkətli pəncərə statistikalarıyle birleştirilmiştir. Günlük proqnoz ölçütlerinde en iyi nəticə XGBoost tarafından əldə edilmişdir: NMAE %6,5758, NRMSE %8,8034, R² 0,9075 və MAPE %6,6540. Bununla belə nəticələr tek bir şəhərin şarj şəbəkəına, açıklanmayan bazı model hiperparametrlərine və gələcəkteki kullanım değişkenlerinin nasıl üretildiği belirtilmeyen bir proqnoz düzenine dayandığından fərqli şəhər və şəbəkəlere birbaşa genellerütubətez.

Gerçek 2025 şarj enerjisi tüketimi 520.594,449 kWh kimi hesablanmışdır. İnfrastruktur tutumsinin əskik planlanmasını azaltmak amacıyla yıllık proqnozlere təxminən %1 təhlükəsizlik payı uygulanmış və dört model də 2025 üçün təxminən 525.800 kWh düzeyine kalibre edilmiştir. Bu nedenle modellər arasındaki əsas müqayisə, birbirine bilinçli biçimde yaklaştırılan 2025 yıllık toplamlarından ziyade günlük xəta ölçütlerine dayanmalıdır. Modellerin 2026 toplam enerji proqnozları 575.387,001 ilə 638.291,622 kWh arasında değişmiş; iki şəbəkəac əsaslı model 635.226,756-638.291,622 kWh aralığında nəticə üretmiştir.

Türkiye açistilikndan tədqiqat, elektrikli avtomobil şarj infrastrukturunın yalnızca mevcut avtomobil sayistilikna görə değil; istasyon istifadəsi, şarj müddəti, hava şərtlərı, takvim etgiləri və geçmiş tüketim örüntüleri birlikte dəyərlendirilərek planləsasbiləceğini göstərir. Lakin Boulder məlumatlariyle eğitilən model nəticələri Türkiye üçün birbaşa tutum hədəfi kimi kullanılamaz. Türkiye’də uyguləsascak bir dumantemin yerli istasyon kayıtları, bölgesel iklim, tətil takvimi, kullanım davranışları, şarj gücü dşəbəkəılımları və elektrikli avtomobil yaygınlaşma eğilimleriyle yeniden eğitilmesi və gerçek iləri tarihli məlumatlar üzərində doğrulanması lazımdır.

Araşdırmanın əsas sualsu nedir?

Araşdırmanın əsas sualsu, strukturlandırılmış elektrikli avtomobil şarj məlumatlarinde şəbəkəac əsaslı mpeyəndn öyrənməsi üsullerinin mi yoksa ardıcıl məlumatlari işleyen dərin öyrənmə modellərinin mi daha doğru günlük talep proqnozu ürettiğidir. Tədqiqat həmçinin yıllık tutum planlamasında talebin əskik proqnoz edilmesini azaltmak üçün sabit bir təhlükəsizlik payının proqnozlere nasıl uyguləsasbiləceğini araşdırır.

Karşılaştırmaya alınan dört model şunlardır:

• XGBoost: Hataları ardıcıl qərar şəbəkəaclarıyla azaltan qradiyent artırma modeli.
• LightGBM: Yaprak odaklı büyüme kulləsasn, strukturlandırılmış məlumatlar üçün geliştirilmiş qradiyent artırma modeli.
• CNN-LSTM: Yerel zaman örüntülerini konvolyusiya qatlarıyla, daha uzunmüddətli asılılıqları LSTM qatlarıyla öğrenen hibrid model.
• GRU: Güncelleme və sıfırlama qapıları aracılığıyla zaman asılılıqlarını işleyen təkrarləsasn neyron şəbəkəsi modeli.

Tədqiqat litəratürde hangi boşluğu hədəfləyir?

Tədqiqatın litəratür incelemesi; LSTM, GRU, dönüştürücü şəbəkəlar, zamanla bşəbəkəlı konvolyusiya şəbəkəları, olasılıksal proqnoz, topluluk öğrenmesi və hibrid modellərin elektrikli avtomobil şarj talebinde daha əvvəl kullanıldığını göstərir. Araşdırmacılar bu birikim üçünde, eyni məlumat və özellik mühendisliği çərçivəsinde iki güclü şəbəkəac əsaslı üsul ilə iki dərin öyrənmə üsuluni qarşılaştıran və yıllık infrastruktur planlamadumantilikna yönelik sabit təhlükəsizlik payı uygulayan bir düzen təklif edir.

Tədqiqatın özgün yaklpeyəndmı yalnızca ən aşşəbəkəı proqnoz xətasını aramak değildir. Araşdırmacılar, tutum planlamasında gerçek talebin altında kalan proqnozun stansiya damşmazlığıne yol açabiləceği düşüncesiyle 2025 yıllık toplamını gerçek tüketimin təxminən %1 üzərində tutan bir kalibrasiya kullanmıştır. Bununla belə bu təhlükəsizlik payı statistik etibar intərvalı və ya olasılıksal qeyri-müəyyənlik modeli değildir; əvvəlden belirlenmiş sabit bir planlama marjıdır.

Veri seti nasıl yaradılmışdır?

Hedef değişken, gündəlik toplam elektrikli avtomobil şarj enerjisidir və gilovat-saat cinsinden ölçülmüşdür. Ham məlumatlar şarj sessiyası düzeyindedir. Aynı gün üçündeki bütün şarj sessiyalarının enerji miqdarları topləsasrak gündəlik istehlak yaradılmışdır. Günlük toplamların yıllık toplamlarla qarşılaştırılmasında 2018-2025 dəhəmiyyətinin tamamı üçün farkın sıfır olduğu bildirilmişdir. Bu nəzarət, oturum məlumatlarinin günlere çevrilməsi ardıcıllıqsında yıllık enerji toplamının kaybolmadığını göstərir.

Yıllık tüketim grafiği, serinin xətti və kəsintisiz bir büyüme izləməediğini göstərir. Özellikle 2020 düşüşü, 2022 sıçraması, 2024'teki məhdud geriləme və 2025'teki güclü artış, modelin yalnızca basit bir xətti trendden daha qarmpeyəndk örüntüler öğrenmesini gerektirmektedir. Tədqiqat bu dəyişikliklerin səbəbli açıklamasını birbaşa test etmemektedir.

Hangi girdi değişkenleri istifadə edilmişdir?

Model girdiləri beş əsas grupta topləsasbilir.

Meteorolojik və xarici dəyişənlər

• Maksişam və minişam temperatur
• Yşəbəkəış
• Kar və qar qalınlığı
• Anlık, minişam, maksişam və ortalama rütubət
• Anlık, minişam, maksişam və ortalama təzyiq
• COVID varlığı və COVID şiddeti göstəriciləri
• Tatil günleri

COVID göstəricilərinin və tətil değişkenlerinin nasıl kodlandığı, hangi həddlerin kullanıldığı və ya gələcəkteki dəyərlərinin nasıl belirlendiği açıqlanmamışdır. Tatil bilgisi də meteorolojik değil, dışsal bir takvim değişkenidir; mənbəta bu unsurlar eyni özellik listesi üçünde sunulmuştur.

Şarj şəbəkəı kullanım xüsusiləri

• Günlük şarj sessiyası sayistilik
• Aktif istasyon sayistilik
• Şarj saatleri
• Toplam oturum müddəti

Bu değişkenler günlük enerji istehlaxınyle birbaşa ilişgili kullanım göstəriciləridir. Lakin gerçek bir gələcək proqnozunde gələcəkteki sessiya sayı, aktiv stansiya sayı və toplam şarj müddətinin əvvəlden nasıl bilineceği və ya həmçinin nasıl proqnoz ediləceği açıqlanmamışdır. Bu əskiklik, xüsusilə 2026 proqnozlarınin sahada yeniden üretiləbilmesi açistilikndan mühümdir.

Takvim xüsusiləri

• Yıl, ay və ayın günü
• Hafdiaqnozn günü və yılın günü
• Yılın haftası
• Hafta sonu göstəricisi
• Ay, hafdiaqnozn günü və yılın günü üçün sinus-kosinus çevrilmələri

Sinüs və kosinus transformasiyaleri, Aralık ilə Ocak və ya pazar ilə pazartesi gibi dövri kimi birbirine yaxınn dəhəmiyyətlerin sayısal kimi da yaxınn temsil edilmesini amaçlamaktadır.

Gecikmeli enerji dəyərləri

Model girdilərine əvvəlki 1, 2, 3, 7, 14, 30, 60, 90 və 365 günün enerji istehlaxın eklenmiştir. Kısa gecikmələr günlük dəyişiklikleri, 7 və 14 günlük gecikmələr haftalık örüntüleri, 365 günlük gecikmə isə yıllık mevsimselliği temsil etmeyi amaçlamaktadır.

Hareketli pencere istatistikleri

Önceki 7, 14 və 30 gün üçün hərəkətli orta, standart sapma, minişam və maksişam dəyərler hesablanmışdır. Bu istatistikler modelin yalnızca tek bir əvvəlki güne değil, yaxınn dəhəmiyyətdeki genel seviye, volatillik və uç dəyərlere də bakmasını sşəbəkəlamaktadır.

İş axınşı nasıl ilərlemektedir?

Tədqiqatın iş axınşı şeması iki məlumat kaynşəbəkəıyla başlamaktadır: 2018-2025 Boulder şarj sessiyası kayıtları və günlük hava məlumatlari. Zaman damgalarının çevrilməsi, geçersiz satırların çıqarılması, günlük enerji toplulaştırması və tarihlerin eşleştirilmesinden sonra özellik mühendisliği tətbiq edilmişdir. Aynı özellik seti XGBoost, LightGBM, CNN-LSTM və GRU modellərine aktarılmıştır.

Şema, genişleyen zaman pencereli bir doğrulama düzeni göstərir: əvvəl 2018 ilə təlim və 2019 ilə test, daha sonra 2018-2019 ilə təlim və 2020 ilə test strukturlması; bu müddətcin 2018-2024 ilə təlim və 2025 ilə teste kadar ilərletilmesi proqnozlmüştür. Ana üsul açıklamasında isə son doğrulama xüsusilə 2018-2024 təlim dəhəmiyyəti və 2025 test dəhəmiyyəti üzərindən diaqnozmlanmıştır. Modeller daha sonra 2018-2025 məlumatlarinin tamamıyla yeniden eğitilərek 2026 proqnozu istehsal edilmişdir.

Güvenlik payı neden tətbiq edilmişdir?

Şarj infrastruktursının əskik tutumyle məzənnəulması, gerçek tüketimin proqnozlaşdırılandən yüksək olduğu dəhəmiyyətlerde hizmet yetərsizliğine yol açabilir. Araşdırmacılar bu riski azaltmak üçün 2025 yıllık enerji toplamını gerçek dəyərin təxminən %1 üzərində tutacak bir kalibrasiya uygulamıştır.

Bu əməliyyatın mühüm bir sonucu vardır: 2025 yıllık proqnozları modellərin təbii və ya ham toplam proqnozları değildir. Tahminler bilərek eyni yıllık hədəfe yaklaştırılmıştır. Bu nedenle XGBoost'un daha yaxşı model olduğuna ilişkin kanıt, 2025 toplamının gerçek dəyəre yaxınnlığından değil; NMAE, NRMSE, R² və MAPE gibi gündəlik performans ölçütlerinden gelmektedir.

Grafikler və cədvəllar ne göstərir?

Model ölçütlerini qarşılaştıran qrafikte XGBoost, hem NMAE hem NRMSE hem də MAPE texniki xidmətından ən aşşəbəkəı xəta dəyərlərine və ən yüksək R² dəyərine sahiptir. LightGBM bütün ölçütlerde XGBoost'a yaxınn ikinci ardıcıllıqdadır. Derin öğrenme modellərinde GRU, NMAE və MAPE açistilikndan CNN-LSTM'den daha yaxşı; CNN-LSTM isə NRMSE və R² açistilikndan GRU'dan çox az daha yaxşı nəticə vermiştir.

2025 və 2026 enerji dəyərlərini qarşılaştıran qrafikte bütün modellərin 2025 sütunları təxminən 525.800 kWh düzeyinde klastərlenmektedir. Bu görünüm bşəbəkəımsız model benzerliğinden çox təhlükəsizlik payı kalibrasiyaunun sonucudur. 2026 sütunları isə aydın biçimde ayrışmaktadır: ən aşşəbəkəı proqnoz CNN-LSTM, ən yüksək proqnoz LightGBM tarafından istehsal edilmişdir.

Tədqiqatın desteklediği nəticələr

• Bu məlumat dəstinde və istifadə edilən özellik mühendisliği düzeninde XGBoost günlük proqnozde en iyi nəticələri üretmiştir.
• LightGBM, XGBoost'a yaxınn performans göstərmiş və ən yüksək 2026 toplamını proqnoz etmiştir.
• Ağaç tabanlı iki model, günlük xəta ölçütlerinde CNN-LSTM və GRU'dan daha yaxşı performans göstərmişdir.
• Takvim, hava, kullanım, gecikmə və hərəkətli pəncərə xüsusilərinin birlikte kullanıldığı strukturlandırılmış bir proqnoz dumantemi məzənnəulabilmiştir.
• Sabit təhlükəsizlik payı, infrastruktur planlaması proqnozuni gerçek yıllık toplamın bilinçli biçimde üzərində tutabilmektedir.

Tədqiqatın kanıtlamadığı nəticələr

• XGBoost'un bütün şəhərlərde və bütün elektrikli avtomobil şarj məlumat dəstlərinde dərin öyrənməden üstün olduğu kanıtlanmamıştır.
• 2026 yılında gerçek tüketimin qəti olaraq 635.000-638.000 kWh olacşəbəkəı göstərilmemiştir.
• %1 təhlükəsizlik payının iqtisadi kimi en uygun və ya şəbəkə inamılirliği açistilikndan yetərli olduğu test edilmemiştir.
• Model nəticələri olasılıksal etibar intərvalı, peyəndm olasılığı və ya risk dşəbəkəılımı sunmamaktadır.
• Model, yeni istasyonların nerede məzənnəulması gerektiğini belirlememektedir.
• Tədqiqat, şarj talebindeki yıllık dəyişikliklerin nedenlerini səbəbli kimi açıklamamaktadır.
• Boulder məlumatlariyle əldə edilən nəticələr başka ülke və şəhərləre birbaşa aktarılabilir değildir.

Geçmiş, bugün və gələcək açistilikndan əhəmiyyəti

Geçmiş dəhəmiyyət məlumatlari, şarj talebinin yıldan yıla düzenli ilərlemediğini və talep proqnozunde hem qısamüddətli hem mevsimsel xüsusilərin lazımlı olduğunu göstərir. Bugün açistilikndan tədqiqat, nispeten klasik şəbəkəac əsaslı modellərin iyi hazırlanmış cədvəl məlumatlarinde qarmpeyəndk dərin öyrənmə arxitekturalarinden daha doğru və daha sürətli olabiləceğini ortaya koymaktadır.

Gelecek açistilikndan əsas töhfə, elektrikli avtomobil şarj infrastrukturunın yalnızca geçmiş toplam tüketim üzərindən değil; kullanıcı etkinliği, istasyon istifadəsi, takvim, hava və zaman ardıcıllıqsı xüsusilərinin birlikte işlendiği bir proqnoz dumantemiyle planləsasbiləceğini göstərmesidir. Bununla belə gerçek planlama qararları üçün xərc əsaslizi, şəbəkə kistiliktları, bölgesel talep, qeyri-müəyyənlik aralıkları və iləri tarihli bşəbəkəımsız doğrulama lazımlıdir.

Tədqiqatın Yöntemi və Bulguları

Veri ön əməliyyate

Bir günde gerçekleşen bütün şarj sessiyalarının enerjisi aşşəbəkəıdaxın toplamla günlük enerjiye çevrilmişdir:

\[ E_d = \sum_{i=1}^{n_d} E_i \]

Burada E_d, d günündeki toplam şarj enerjisini; E_i, eyni gündeki i numaralı şarj sessiyasınun enerjisini; n_d isə o gün gerçekleşen toplam sessiya sayını göstərir. Enerji birimi kWh'dir.

Çevrimsel takvim transformasiyaü

\[ X_{\sin} = \sin\left(\frac{2\pi X}{P}\right) \]

\[ X_{\cos} = \cos\left(\frac{2\pi X}{P}\right) \]

X, ay və ya hafdiaqnozn günü gibi dövri təqvim dəyişənini; P isə değişkenin periyodunu temsil etmektedir. Örneğin ay değişkeni üçün periyot 12'dir. İki transformasiya birlikte kullanıldığında dəhəmiyyətin onlaynndeki konumu tek bir xətti sayı yerine dairesel biçimde temsil edilir.

Gecikme və hərəkətli orta xüsusiləri

\[ \mathrm{Lag}_k(d) = E_{d-k} \]

Lag_k(d), proqnozlaşdırılan günden k gün əvvəl ölçülən enerji istehlaxındir.

\[ \mathrm{RollingMean}_k(d) = \frac{1}{k}\sum_{i=1}^{k}E_{d-i} \]

Bu tənlik, proqnoz gününden əvvəlki k günün ortalama enerji istehlaxınni hesablamaktadır. Tədqiqatda k dəyəri 7, 14 və 30 gün kimi kullanılmış; eyni pencereler üçün standart sapma, minişam və maksişam dəyərler də yaradılmışdır.

XGBoost məqsəd funksiyası

\[ \mathrm{Obj} = \sum_{i=1}^{n}L(y_i,\hat{y}_i) + \sum_{k=1}^{K}\Omega(f_k) \]

L, gerçek dəyər y_i ilə proqnoz \hat{y}_i arasındaki itkini; Ω(f_k) isə k numaralı şəbəkəacın qarmpeyəndklığını sınırlayan requlyarlaşdırma tərimini göstərir. Amaç, yalnızca təlim xətasını azaltmak değil, peyəndrı qarmpeyəndk şəbəkəaçların oluşturduğu həddindən artıq uyğunlaşmau da nəzarət etmektir.

CNN-LSTM giriş dizisi

\[ X_t = [x_{t-29},x_{t-28},\ldots,x_t] \]

Modelde 30 günlük bir giriş dizisi istifadə edilmişdir. Evrişim qatları bu dizideki qısamüddətli lokal örüntüleri, LSTM qatları isə daha uzun zamanla bşəbəkəlı ilişgiləri öğrenmeyi amaçlamaktadır. Denklemde giriş dizisinin x_t dəyərini də içerdiği görülmektedir; lakin x_t üçündeki değişkenlerin hədəf günün hangi anında kullanılabilir olduğu ayrıntılı biçimde açıqlanmamışdır.

GRU qapı mekanizması

\[ z_t = \sigma(W_zx_t + U_zh_{t-1}) \]

\[ r_t = \sigma(W_rx_t + U_rh_{t-1}) \]

\[ h_t = (1-z_t)h_{t-1} + z_t\tilde{h}_t \]

z_t yeniləmə qapistiliknı, r_t sıfırlama qapistiliknı, h_t güncel gizli vəziyyətu və x_t zaman t'deki girdiyi ifade etmektedir. Güncelleme qapistilik eski bilginin ne kadarının korunacşəbəkəını, sıfırlama qapistilik isə geçmiş bilginin yeni aday duruma ne ölçüde aktarılacşəbəkəını nəzarət eder. Mənbəta aday gizli vəziyyət \tilde{h}_t üçün ayrı hesablama tənliki məlumatlməmişdir.

Eğitim və doğrulama

• 2025 doğrulaması: 2018-2024 məlumatlariyle təlim, 2025 məlumatlariyle proqnoz.
• 2026 proqnozu: 2018-2025 məlumatlarinin tamamıyla yeniden təlim, 2026 üçün irəli proqnoz.
• Zaman ardıcıllıqsı: Rastgele təlim-test ayrımı yerine xronoloji bölgü istifadə edilmişdir.
• Şemadaki ek doğrulama: 2019'dan 2025'e kadar genişleyen yıllık təlim pencereleri göstərilmişdir.

Kronolojik ayrım, geleceğin geçmiş məlumatlarle proqnoz edildiği real istifadə biçimin rastgele məlumat bölmesinden daha yaxınndır. Lakin yıllara görə ara doğrulama nəticələrinın ayrı cədvəlları, yıllar arasındaki performans dəyişikliki və hiperparametr seçiminin hangi dəhəmiyyət üzərində strukturldığı məlumatlməmişdir.

%1 təhlükəsizlik payı kalibrasiyau

\[ \hat{E}_{2025}^{\mathrm{safety}} = E_{2025}^{\mathrm{actual}}\times1{,}01 \]

Bu tənlik gerçek 2025 tüketiminin %101'ini planlama hədəfi kimi müəyyən etməktedir. 520.594,449 kWh üçün teorik hədəf təxminən 525.800,393 kWh'dir.

\[ \hat{y}_t^{\mathrm{calibrated}} = C\times\hat{y}_t^{\mathrm{raw}} \]

C, ham günlük proqnozları yıllık təhlükəsizlik hədəfiyle uyumlu hâle getiren çarpandır. Tədqiqatda C'nin açık hesablama tənliki məlumatlməmişdir; üsul açıklamasından, ham günlük proqnozların toplamını hədəf yıllık enerjiye tpeyəndyan miqyaslama əmsalı olduğu anlpeyəndlmaktadır.

Bu kalibrasiya, proqnoz belirsizliğini ölçmez. Sabit %1 oynaqe, geçmiş proqnoz səhvlərinın dşəbəkəılımına, inam düzeyine, peyəndrı talep olasılığına və ya infrastruktur xərcine görə optimallaşdırmaq edilmemiştir.

Değerlendirme ölçütleri

Normalize Ortalama Mutlak Hata

\[ \mathrm{NMAE}(\%) = \frac{\frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y}_i|}{\frac{1}{n}\sum_{i=1}^{n}y_i}\times100 \]

NMAE, günlük mutlak xədiaqnozn gerçek günlük talep ortalamasına nisbətinı göstərir. Daha aşşəbəkəı dəyər daha yaxşı proqnoz anlamına gelir.

Normalize Kök Ortalama Kare Hata

\[ \mathrm{NRMSE}(\%) = \frac{\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}}{\frac{1}{n}\sum_{i=1}^{n}y_i}\times100 \]

NRMSE, böyük xətaları qaresini aldığı üçün daha güclü biçimde cezalandırır. Daha aşşəbəkəı dəyər daha yaxşıdir.

Belirleme katsayistilik

\[ R^2 = 1-\frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2} \]

R², modelin günlük enerji istehlaxınndeki değişkenliği ne ölçüde açıkladığını göstərir. Genel yorumda daha yüksək R² daha yaxşı uyuma işaret eder.

Ortalama Mutlak Yüzde Hata

\[ \mathrm{MAPE} = \frac{100}{n}\sum_{i=1}^{n}\left|\frac{y_i-\hat{y}_i}{y_i}\right| \]

MAPE, günlük xətayı gerçek dəyərin yüzdesi kimi ifade eder. Tədqiqat, gerçek günlük dəyərin sıfır olduğu günlerde strukturlacak əməliyyatı açıklamamıştır.

Yıllık xəta

\[ \mathrm{YearlyError} = \frac{\sum_{i=1}^{n}\hat{y}_i-\sum_{i=1}^{n}y_i}{\sum_{i=1}^{n}y_i}\times100 \]

Pozitif dəyər, yıllık proqnozun gerçek tüketimin üzərində; negatif dəyər isə altında kaldığını göstərir. Bu tədqiqatda təxminən +%1 dəyər, modelin kendiliğinden yaranan xətası değil, planlama amaçlı kalibrasiyaun hədəflenen sonucudur.

Model performanslarının qarşılaştırılması

XGBoost'un NMAE dəyəri LightGBM'den 0,1902 yüzde puan, MAPE dəyəri isə 0,0940 yüzde puan daha aşşəbəkəıtür. İki model arasındaki fark kiçik olmakla birlikte bütün ölçütler eyni ardıcıllıqlamayı dəstəkləyir.

2025 və 2026 enerji proqnozları

2026 proqnozlarınin birbirinden mühüm ölçüde ayrılması, iləri dəhəmiyyət sonucunun model seçimin duyarlı olduğunu göstərir. Özellikle CNN-LSTM ilə LightGBM arasındaki fark təxminən 62.904,621 kWh'dir. Tədqiqat bu fərqlilık üçün proqnoz aralığı, model çəki verməsı və ya qeyri-müəyyənlik dşəbəkəılımı sunmamaktadır.

Tədqiqat müddətleri

Deney ortamı Windows tabanlı, AMD Ryzen 7 prosessorli və 16 GB RAM'li bir dumantem kimi diaqnozmlanmış; modellərin Python 3.11 və Google Colab istifadə edilərək geliştirildiği qeyd edilmişdir. XGBoost, TensorFlow/Keras, Scikit-learn, Pandas, NumPy və Matplotlib kitabxəsasları istifadə edilmişdir. Yerel dumantem ilə Google Colab mənbəlarının hangi əməliyyatlarde kullanıldığı ayrıntılandırılmadığı üçün müddətlerin fərqli donanımlarda birbaşa qarşılaştırılması uygun değildir.

Mənbə üçündeki tutarlılık problemları

• Metinde XGBoost'un 2026 proqnozu bir yerde 635.226,750 kWh, nəticə cədvəlsunda 635.226,756 kWh və qrafikte yuvarlanmış kimi 635.227 kWh məlumatlmiştir. Tablodaki 635.226,756 kWh dəyəri müqayisə cədvəlsunda saxlanmışdır.
• GRU'nun 611.762,353 kWh ilə dört model arasındaki ən aşşəbəkəı 2026 proqnozuni verdiği yazılmıştır; lakin CNN-LSTM proqnozu 575.387,001 kWh olduğundan bu ifade cədvəlyla çelişmektedir.
• Sonuç özetinde 2026 talebinin “2025'ten 633.000-638.000 kWh daha fazala” olduğu yönünde bir ifade bulunmaktadır. Tablolar bu sayıların artış miqdarı değil, şəbəkəac əsaslı modellərin təxminən toplam 2026 proqnozları olduğunu göstərir.
• Değerlendirme ölçütlerinin açıklamasında aşşəbəkəı R² dəyərinin daha yaxşı olduğu anlamına gelebiləcek bir cümle yer almaktadır. Verilən R² tənliki və model seçimi isə doğru biçimde daha yüksək R² dəyərini üstün kabul etmektedir.
• Güvenlik payı tənlikindeki E₂₀₂₅^actual gerçek enerji kimi göstərilirken açıklama metninde “kalibrasiya əvvəlsi ham proqnoz” kimi diaqnozmlanmıştır. Denklem, cədvəl və 520.594,449 kWh dəyəri bunun gerçek ölçülən tüketim olduğunu dəstəkləyir.
• Sonuç bölümünde güclü modellər üçün təxminən 633.000-638.000 kWh aralığı məlumatlmiştir. Ayrıntılı cədvəlda XGBoost və LightGBM dəyərləri təxminən 635.227-638.292 kWh aralığındadır.

Temel metodoloji məhdudiyyətlər

• Tədqiqat tek bir şəhərin şarj qeydlərina dayanmaktadır.
• Şarj istasyonu sayistilik, toplam sessiya sayı, əskik gün sayistilik və xam məlumat böyüklüğü açıqlanmamışdır.
• Veri temizliğinde kaç satırın çıqarıldığı belirtilmemiştir.
• XGBoost və LightGBM üçün şəbəkəaç sayistilik, derinlik, öyrənmə nisbəti və requlyarlaşdırma ayarları məlumatlməmişdir.
• CNN-LSTM və GRU üçün qat sayistilik, hüceyrə sayistilik, aktivasyon, optimallaşdırmaq edici, öyrənmə nisbəti, epoch, batch böyüklüğü və erkən dayandırma ayarları məlumatlməmişdir.
• Hiperparametre arama üsulu və ayrı bir doğrulama klastərsi açıqlanmamışdır.
• Gelecekteki hava, sessiya sayı, aktif istasyon, şarj müddəti və toplam kullanım müddəti girdilərinin 2026 üçün nasıl üretildiği belirtilmemiştir.
• 2026 proqnozunde gecikmiş dəyərlərin gün gün nasıl ilərletildiği açıqlanmamışdır.
• %1 təhlükəsizlik payı statistik və ya iqtisadi optimallaşdırmala gerekçelendirilmemiştir.
• Olasılıksal proqnoz aralığı və ya model qeyri-müəyyənliyi təqdim edilməmişdir.
• Kod, birbaşa indiriləbilir məlumat dəsti və tam model parametreleri paylpeyəndlmamıştır; məlumat yalnızca talep üzerine sşəbəkələsascaktır.
• 2026 proqnozları henüz gerçekleşmiş bşəbəkəımsız tüketim məlumatsiyle təsdiqlənməmişdir.

Mənbə və Metod Qeydi

Tədqiqatın tam özgün adı: Evaluating Machine Learning and Deep Learning Techniques for Electric Vechicle Load Forecasting

Müəlliflər və ardıcıllıqları: John Pradeep Darsy; Mahesh Gunti.

Eş birinci müəlliflık: Eş birinci müəlliflık və ya eş töhfə bilgisi belirtilmemiştir.

İletişim müəllifı: John Pradeep Darsy, SSRN kayıt sayfasında əlaqə müəllifi kimi göstərilmektedir.

Kurumsal birləşmələr: John Pradeep Darsy üçün SSRN üzərində qurum bilgisi məlumatlməmişdir. Mahesh Gunti'nin qurumu VIT-AP University kimi listelenmektedir.

DOI: 10.2139/ssrn.7200041

Dergi: Hakemli bir jurnal və ya kabul edilmiş jurnal sürümü doğrulanmamışdır.

Yayın platformau: SSRN.

Özgün nəşriyyat: Tədqiqatya ait son bir jurnal nəşriyyat mövcud deyil. SSRN, Elsevier'in preprint və erken araşdırma platformaudur; hakemli jurnal və ya son nəşrcı kimi dəyərlendirilmemelidir.

Yayın yılı: 2026.

Mənbə türü: Elektrikli avtomobil şarj talebi üzerine məlumat əsaslizi və proqnoz modelləşdirməsi içeren araşdırma preprinti.

Hakemlik durumu: Bu tədqiqat rəyçi qiymətləndirməsindən keçməmiş preprintdir; nəticələri bu məhdudiyyət diqqəte alınarak okunmalıdır.

Resmî mənbə:SSRN rəsmi tədqiqat sayfası

DOI birləşməsı:https://doi.org/10.2139/ssrn.7200041

Bu Türkçe açıklama, yüklenen tədqiqat metni; tənlikler, cədvəllar, iş axınşı şeması və qrafikler baştan sona incelenerek hazırlanmışdır. Dış mənbəlar yalnızca müəlliflər, əlaqə müəllifi, qurum, DOI, kayıt tarihi və nəşr platformaası gibi bibliyoqrafik kimlik bilgilərinin doğrulanması üçün istifadə edilmişdir. Tədqiqatın esas bilimsel tapıntılarına dış mənbəlardan yeni nəticə eklenmemiştir.

Tədqiqatın başlıca məhdudiyyətlərı; tek şəhər məlumatsi, əskik hiperparametr bilgiləri, gələcəkteki kullanım və hava dəyişənlərinin nasıl üretildiğinin açıklanmaması, sabit təhlükəsizlik payının statistik qeyri-müəyyənlik modeli olmaması, iləri tarih proqnozlarınin bşəbəkəımsız gerçek məlumatlarle henüz doğrulanmaması və mənbə üçündeki bazı sayı və yorum uyğunsuzluqlarıdır. Bulgular bu məlumat dəsti və məzənnəulan modelləşdirmə düzeniyle məhduddur.