Makine öğrenmesi algoritmaları kullanılarak 2040 yılına kadar Türkiye’nin enerji talep tahmini
Yükleniyor...
Dosyalar
Tarih
2023-06-09
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Batman Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Nüfusun artışı ile birlikte sanayileşmenin hızla artması enerji ihtiyacını da artmıştır. Bununla birlikte ortaya çıkan bu enerji ihtiyacını karşılayabilmek için ön görülebilecek enerji tahminlerini yapabilmek için makine öğrenme algoritmaları ön plana çıkmıştır. Parçacık sürü optimizasyonu (PSO), yapay sinir ağları (YSA) ve destek vektörü regresyonu (DVR) bu algoritmalar içerisinde yer almaktadır. Bu çalışmada PSO, YSA ve DVR algoritmaları kullanılarak Türkiye’nin 2020-2040 yılları arasında elektrik enerjisi talep tahminlemesi yapılmıştır. Bu tahminleme işlemlerinin yapılabilmesi için 1980-2019 yılları arasında yıllık elektrik tüketim verileri TEİAŞ’tan (Türkiye Elektrik İletim Anonim Şirketinden), nüfus verileri TÜİK’ten (Türkiye İstatistik Kurumundan), ihracat, ithalat, gayri safi yurtiçi hâsıla (GSYH) verileri Dünya Bankası açık veri kümesinden alınmıştır. PSO, YSA ve DVR enerji talep modelleri nüfus, ihracat, ithalat, GSYH verileri kullanılarak geliştirilmiştir. Türkiye'nin sosyoekonomik durumu göz önünde bulundurularak enerji talebi üç farklı senaryoya göre düzenlenmiştir. PSO, YSA ve DVR yöntemlerinin performans sonuçlarını değerlendirebilmek için Kök Ortalama Kare Hata (KOKH), Ortalama Kare Hata (OKH) ve Ortalama Mutlak Hata (OMH) hata metrikleri ve R2 değerleri karşılaştırıldı. Hata metrik değerleri incelendiğinde YSA’nın diğer yöntemlere kıyasla daha başarılı sonuçlar verdiği söylenebilir.
1980-2019 yılları arasında gerçekleşen, bağımsız girdi parametreleri olan nüfus, ihracat, ithalat ve GSYH değerleri ile bağımlı çıktı olan enerji tüketimi arasındaki ilişki korelasyon matrisi kullanılarak incelenmiştir. Korelasyon matrisinde 0,991 değeri ile ihracat ve enerji tüketimi arasında güçlü bir doğrusal ilişki olduğu gözlemlenmiştir. Ayrıca Çoklu regresyon denklemleri oluşturulmuştur. Parametreleri (X1, X2, X3, X4) olan ithalat, ihracat, GSYH, nüfus) bazında F denklemi üzerinden tahminin performans değerlendirmesi yapılmıştır. Dört parametreyi (X1, X2, X3, X4) içeren regresyon denklemi en yüksek (0,995) R2 değerine sahip olup kapsamlı bir temsiliyete sahip olduğu anlaşılmıştır.
The rapid increase in industrialization, coupled with population growth, has led to an increased energy demand. However, machine learning algorithms have come to the forefront to make anticipatory energy predictions to meet this emerging energy demand. Particle Swarm Optimization (PSO), Artificial Neural Networks (ANN), and Support Vector Regression (SVR) are among these algorithms. In this study, electricity demand forecasting for Turkey between 2020 and 2040 was conducted using the PSO, ANN, and SVR algorithms. To perform these prediction processes, annual electricity consumption data from 1980 to 2019 were obtained from TEIAS (Turkey Electricity Transmission Corporation), population data from TUIK (Turkish Statistical Institute), and export, import, gross domestic product (GDP) data from the World Bank open data set. PSO, ANN, and SVR energy demand models were developed using population, export, import, and GDP data. Considering Turkey's socioeconomic situation, the energy demand was adjusted according to three different scenarios. Root Mean Square Error (RMSE), Mean Square Error (MSE), Mean Absolute Error (MAE), and R2 values were compared as error metrics to evaluate the performance results of the PSO, ANN, and SVR methods. When examining the error metric values, it can be said that ANN provides more successful results compared to the other methods. The correlation matrix was used to examine the relationship between energy consumption, which is the dependent output, and independent input parameters such as population, export, import, and GDP values that occurred between 1980 and 2019. A strong linear relationship between export and energy consumption was observed with a correlation value of 0.991 in the correlation matrix. Additionally, multiple regression equations were formed. Performance evaluation of prediction based on the four parameters (X1, X2, X3, X4) of import, export, GDP, and population was conducted using the F equation. The regression equation containing all four parameters had the highest R2 value of 0.995, indicating a comprehensive representation.
The rapid increase in industrialization, coupled with population growth, has led to an increased energy demand. However, machine learning algorithms have come to the forefront to make anticipatory energy predictions to meet this emerging energy demand. Particle Swarm Optimization (PSO), Artificial Neural Networks (ANN), and Support Vector Regression (SVR) are among these algorithms. In this study, electricity demand forecasting for Turkey between 2020 and 2040 was conducted using the PSO, ANN, and SVR algorithms. To perform these prediction processes, annual electricity consumption data from 1980 to 2019 were obtained from TEIAS (Turkey Electricity Transmission Corporation), population data from TUIK (Turkish Statistical Institute), and export, import, gross domestic product (GDP) data from the World Bank open data set. PSO, ANN, and SVR energy demand models were developed using population, export, import, and GDP data. Considering Turkey's socioeconomic situation, the energy demand was adjusted according to three different scenarios. Root Mean Square Error (RMSE), Mean Square Error (MSE), Mean Absolute Error (MAE), and R2 values were compared as error metrics to evaluate the performance results of the PSO, ANN, and SVR methods. When examining the error metric values, it can be said that ANN provides more successful results compared to the other methods. The correlation matrix was used to examine the relationship between energy consumption, which is the dependent output, and independent input parameters such as population, export, import, and GDP values that occurred between 1980 and 2019. A strong linear relationship between export and energy consumption was observed with a correlation value of 0.991 in the correlation matrix. Additionally, multiple regression equations were formed. Performance evaluation of prediction based on the four parameters (X1, X2, X3, X4) of import, export, GDP, and population was conducted using the F equation. The regression equation containing all four parameters had the highest R2 value of 0.995, indicating a comprehensive representation.
Açıklama
Anahtar Kelimeler
Destek Vektörü Regresyonu, Enerji Talep Tahmini, Parçacık Sürü Optimizasyonu, Yapay Sinir Ağları, Artificial Neural Networks, Energy Demand Forecast, Particle Swarm Optimization, Support Vector Regression
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Erdemci, H. (2023). Makine öğrenmesi algoritmaları kullanılarak 2040 yılına kadar Türkiye’nin enerji talep tahmini. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.
