Son yıllarda yenilenebilir enerji kaynaklarının elektrik dağıtım şebekelerine artan entegrasyonu ile birlikte, yalnızca tüketici konumunda olan bireylerden farklı olarak hem elektrik tüketen hem de üreten bireyleri ifade eden üreten tüketici kavramı ön plana çıkmıştır. Bu dönüşüm, enerji piyasalarında yük tahminine ilişkin gereksinimleri de değiştirmiştir. Özellikle artan enerji talebi ve şebeke esnekliği ihtiyacı göz önünde bulundurulduğunda, üreten tüketicilere yönelik doğru ve güvenilir elektrik yük tahmini, dağıtım sistemlerinin kararlılığı açısından kritik bir rol oynamaktadır.Bu kapsamda yürütülen projede, üreten tüketicilere ait kısa vadeli elektrik yükünün tahmini amacıyla veri analitiği ve makine öğrenmesi temelli yöntemler değerlendirilmiştir. Çalışmada, ABD'nin Texas eyaletinde yer alan Austin şehrine ait bir konut veri seti kullanılmış ve 15 dakika sonraki net elektrik tüketimi, uzun kısa süreli bellek (LSTM), kapılı tekrarlayan hücre (GRU) ağları, aşırı gradyan artırımlı karar ağaçları (XGBoost) ve hafif gradyan artırımlı karar ağaçları (LightGBM) algoritmaları aracılığıyla öngörülmüştür.Sonuç olarak, projenin sonuçları LightGBM kullanımının üreten tüketici elektrik yük tahmini için belirleme katsayısı (R2), normalleştirilmiş kök ortalama karesel hata (nRMSE) açısından sırasıyla %91,69 ve %4,53 oranında üstün performansı minimum süre içerisinde sağladığını göstermiştir. Elde edilen bu bulgular, üreten tüketiciye özel yük tahmin modellerinin dağıtım şebekelerinin yönetimi açısından önemli katkılar sağlayabileceğini göstermektedir. Ayrıca, literatürde sınırlı sayıda çalışmanın bulunduğu bu alanda yapılan bu proje ile önemli bir boşluğun doldurulması ve gelecek çalışmalara yön verilmesi hedeflenmiştir.
