Ülkemizde ve dünyada enerji talebi, hızla artan nüfus ve enerjiye olan bağımlılığın sürekli yükselmesiyle giderek artmaktadır. Her yıl yenilenebilir enerji kaynaklarına yönelim artsa da bu kaynakların doğa olaylarına bağlı performans göstermesi ve enerji arzı konusunda yeterince güvenilir olmaması, fosil yakıtlara olan bağımlılığın devam etmesine neden olmaktadır. Bu soruna çözüm olarak enerji kullanımını azaltmaya yönelik çeşitli çalışmalar yapılmış olsa da istenilen sonuçlara tam anlamıyla ulaşılamamıştır. Bu bağlamda, mevcut elektrik santrallerinin daha verimli ve etkin kullanımı için Talep Tarafı Yönetimi (TTY) çözümleri kullanılmaya başlanmıştır. TTY, temel olarak tüketicilerin enerji kullanımını etkileyen planlama yöntemidir. Talep tarafı yönetilebilirliğinin düzeyi yalnızca yük tiplerinin doğru bir şekilde bilinmesi ile ölçülebilir. Bu amaçla tüketicilere ait verilerin istatistiksel olarak modellenmesi ve yeni tüketici davranışlarının tasarlanması amacıyla Center for Renewable Energy Systems Technology (CREST) talep modeli üzerinden tüketim verileri elde edilmiştir. Bu veriler kullanılarak, özellikle konut tipi elektrik kullanıcılarının günlük tüketim profillerine göre yük tiplerinin tahmin edilmesine yönelik bir çalışma gerçekleştirilmiştir. Yapay Sinir Ağları (YSA) modelinde, zaman, sıcaklık, rüzgâr hızı, ışınım ve teknik kayıplar olmak üzere toplam beş giriş verisi kullanılmıştır. Çıkış veri seti ise sabit yük, kaydırılabilir yük ve ayarlanabilir yükler olmak üzere üç kategoriye ayrılmıştır. MATLAB programında “nntool” araç kiti kullanılarak yapılan modelleme çalışmaları için Elman YSA yöntemi kullanılmıştır. Veri seti eğitim ve test veri seti olarak ikiye ayrılmıştır. Eğitim veri setiyle birçok kez yapılan ağ eğitme çalışmaları sonucu yüksek regresyon değeriyle Elman YSA modeli elde edilmiştir. Test veri seti kullanılarak modelin doğruluğu kanıtlanmıştır. Daha sonra CREST modelinden elde edilen yeni veriler ve tasarlanan YSA modeli ile başarılı bir yük tahmini gerçekleştirilmiştir. Elde edilen sonuçlar analiz edildiğinde, tasarlanan YSA modelinin TTY için etkin bir şekilde kullanılabileceği gösterilmiştir.

Accurate short-term forecasting of residential electricity demand is increasingly important for smart distribution systems, particularly in the context of demand-side management and flexibility-oriented grid operation. In this study, a high-resolution forecasting framework is proposed in which household electricity demand is classified into fixed, shiftable, and adjustable load categories and forecasted together with total load. A one-minute-resolution synthetic residential load dataset is generated using the Centre for Renewable Energy Systems Technology (CREST) demand model for households with two to five occupants over a 31-day winter period in January. The appliance-level demand data are grouped according to operational characteristics and integrated into a representative four-bus distribution feeder. Minute-level power flow analysis is then performed to calculate technical losses, which are incorporated into the forecasting dataset together with meteorological variables (temperature, wind speed, and solar irradiance) and temporal descriptors. Using this multi-input structure, random forest (RF), support vector machine (SVM), feed-forward neural network (FFNN), and long short-term memory (LSTM) models are comparatively evaluated for the prediction of fixed, shiftable, adjustable, and total residential loads. Model performance is assessed using root mean square error (RMSE) and Pearson correlation coefficient (R), while mean absolute error (MAE) is additionally reported for the final test set. The results show that the LSTM model provided the most consistent overall forecasting performance, particularly for shiftable, adjustable, and total load estimation, while RF yielded competitive results for fixed-load correlation and short-window forecasting in Buses 1 and 2. In contrast, SVM and FFNN exhibited weaker generalization performance across several load categories. The proposed framework provides a practical foundation for the development of dynamic pricing mechanisms that consider load-type-based controllability levels. Overall, the findings demonstrate that integrating load categorization with meteorological, temporal, and technical loss information provides a robust and reproducible framework for smart grid applications such as demand-side management, peak load mitigation, and flexibility-aware residential load analysis.