Enerji Kaynakları ve Elektrik Tüketim Talep Tahmin Yöntemleri: Regresyon ve ANFİS Uygulaması
Özet
"Enerji Kaynakları ve Elektrik Tüketim Talep Tahmin Yöntemleri: Regresyon ve ANFIS Uygulaması" başlıklı bu eser, Şölen Zengin, F. Şeyma Yüksel ve Z. Figen Antmen tarafından kaleme alınmış olup Akademisyen Kitabevi tarafından yayımlanmıştır. Kitap, küresel ölçekte ve Türkiye özelinde hayati önem kazanan elektrik enerjisi ihtiyacını, enerji kaynaklarının sınıflandırılmasını ve geleceğe yönelik talep tahmin yöntemlerini kapsamlı bir şekilde ele almaktadır. Altı bölümden oluşan çalışmada; yenilenebilir ve yenilenemez enerji kaynakları ile elektrik enerjisinin arz-talep dengesindeki rolü açıklandıktan sonra, nicel (zaman serileri, regresyon, yapay zeka yöntemleri) ve nitel talep tahmin teknikleri ayrıntılı olarak incelenmektedir. Eserde, 2000-2019 yılları arasındaki nüfus, sıcaklık, ithalat ve ihracat verileri kullanılarak Türkiye'nin elektrik brüt talebi Çoklu Regresyon Analizi ve Uyarlanabilir Ağ Tabanlı Bulanık Çıkarım Sistemi (ANFIS) yöntemleriyle modellenmiştir. İki yöntemin performansları MAE, MAPE, MSE ve RMSE istatistiksel ölçütleriyle karşılaştırılmış; ANFIS modelinin %4,31'lik genel MAPE değeriyle yüksek tahmin doğruluğuna ulaştığı gösterilmiştir. Yükseköğretim öğrencileri, enerji piyasası uzmanları ve kamu çalışanları için temel bir rehber niteliğinde olan bu kitap, teorik bilgileri gerçek verilerle desteklenen uygulamalı modellerle harmanlamaktadır.
This work, titled "Energy Resources and Electricity Consumption Demand Forecasting Methods: Regression and ANFIS Application", was written by Şölen Zengin, F. Şeyma Yüksel, and Z. Figen Antmen, and published by Akademisyen Kitabevi. The book comprehensively addresses the vital need for electrical energy both globally and specifically in Turkey, the classification of energy resources, and future demand forecasting methods. Comprising six chapters, the study explains renewable and non-renewable energy resources along with the role of electrical energy in supply-demand balance, followed by a detailed examination of quantitative (time series, regression, artificial intelligence methods) and qualitative demand forecasting techniques. In the work, Turkey's gross electricity demand is modeled using Multiple Regression Analysis and Adaptive Network-Based Fuzzy Inference System (ANFIS) techniques, utilizing population, temperature, import, and export data from 2000 to 2019. The performances of both methods were compared using MAE, MAPE, MSE, and RMSE statistical criteria, demonstrating that the ANFIS model achieved high forecasting accuracy with an overall MAPE value of 4.31%. Serving as a fundamental guide for higher education students, energy market professionals, and public sector employees, this book blends theoretical knowledge with applied models supported by real data.
Referanslar
Akay, D., & Atak, M. (2007). Grey Prediction With Rolling Mechanism For Electricity Demand Forecasting Of Turkey. Energy, 32(9), 1670-1675.
Azadeh, A., Ghaderi, S. F., & Sohrabkhani, S. (2008). Annual electricity consumption forecasting by neural network in high energy consuming industrial sectors. Energy Conversion and management, 49(8), 2272-2278.
Alev, N. & Erdemli, M., 2019, “Elektrik enerjisi tüketimi ve ekonomik büyüme ilişkisi: avrupa birliği ülkeleri ve türkiye için bir analiz”, Assam Uluslararası Hakemli Dergi, 6 (15) , 88-111 .
Chantana, J., Kawano, Y., Kamei, A., & Minemoto, T. (2019). Description of degradation of output performance for photovoltaic modules by multiple regression analysis based on environmental factors. Optik, 179, 1063–1070. https://doi.org/10.1016/J.IJLEO.2018.11.040.
Çayır, A., Yenidoğan, İ.,Dağ. (2018). Konutların günlük elektrik güç tüketimi tahmini için uygun model seçimi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 30(3), 15-21.
Eğri, S., “Regresyon Analizi Üzerine Bir Çalışma,” Cumhuriyet Üniversitesi, Fen Bilimleri Enstitüsü , Sivas, (2016).
Ekinci, F. (2019). YSA ve ANFIS Tekniklerine Dayalı Enerji Tüketim Tahmin Yöntemlerinin Karşılaştırılması. Düzce Üniversitesi Bilim Ve Teknoloji Dergisi, 7(3), 1029-1044. Enerji Görünümü,2021.TSKB. (Erişim Tarihi: 20.04.2022)
Erbaş, S. O. (2013). Olasılık ve İstatistik. Ankara: Gazi Kitabevi.
Erdem Koç & Kadir Kaya (2015). Enerji Kaynakları–Yenilenebilir Enerji Durumu. Mühendis Ve Makina, 56(668), 36-47.
Hall, C. A., & Klitgaard, K. A. (2011). Energy And The Wealth Of Nations. New York: Springer.
Hamzaçebi, C., & Kutay, F. (2004). Yapay sinir ağlari ile türkiye elektrik enerjisi tüketiminin 2010 yilina kadar Tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 19(3).
Harika Ü., Yalpır, Ş. (2021). Enerji talep tahmini için metodoloji geliştirme: 2030 yılı Türkiye örneği. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 10(1), 188-201.
Jang, J. S. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23(3), 665-685.
Jiang, F., Dong, L., Dai, Q., & Nobes, D. C. (2018). Using wavelet packet denoising and ANFIS networks based on COSFLA optimization for electrical resistivity imaging inversion. Fuzzy Sets and Systems, 337, 93-112.
Kaynar, O., Yüksek, A. G., & Demirkoparan, F. (2016). Genetik Algoritma İle Eğitilmiş Destek Vektör Regresyon Kullanılarak Türkiye'nin Elektrik Tüketim Tahmini. Journal of the Faculty of Economics/Iktisat Fakültesi Mecmuasi, 66(2).
Kocadayı, Y., Erkaymaz, O., & Uzun, R. (2017). Yapay sinir ağları ile Tr81 bölgesi yıllık elektrik enerjisi tüketiminin tahmini. Bilge International Journal of Science and Technology Research, 1(1), 59-64.
Kovač, P., Savković, B., Rodić, D., Aleksić, A., Gostimirović, M., Sekulić, M., & Kulundžić, N. (2019, August). Modelling and optimization of surface roughness parameters of stainless steel by artificial intelligence methods. In Proceedings of the International Symposium for Production Research 2019 (pp. 3-12). Springer, Cham.
Kozak, M., & Kozak, Ş. (2012). Enerji Depolama Yöntemleri. Uluslararası Teknolojik Bilimler Dergisi, 4(2), 17-29.
Liu, T., Tan, Z., Xu, C., Chen, H., & Li, Z. (2020). Study on deep reinforcement learning techniques for building energy consumption forecasting. Energy and Buildings, 208, 109675.
Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (2008). Forecasting methods and applications. John wiley & sons.
Meral, G., & Saraçlı, S. (2020). Destek Vektör Makineleri ve Türkiye’deki Enerji Santrallerinde Doğal Gaz Tüketimi Üzerine Bir Uygulama. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 24(2), 411-418.
Mitsa, T. (2010). Temporal data mining. Chapman and Hall/CRC.
Montgomery, S. L. (2014). Küresel Enerjiye Yön Veren Güçler 21. Yüzyıl Ve Sonrası. (Çev: E.G. Şenol). Ankara: Tübitak Popüler Bilim Kitapları
Narang, S. K., Kumar, S., & Verma, V. (2017). Knowledge discovery from massive data streams. In Web semantics for textual and visual information retrieval (pp. 109-143). IGI Global.
Nebati, E. E., Murat, T., & Ertaş, G. (2021). Türkiye’de Elektrik Tüketiminde Talep Tahmini: Zaman Serisi Ve Regresyon Analizi İle Karşılaştırma. Avrupa Bilim ve Teknoloji Dergisi, (31), 348-357.
Olmschenk, G., Zhu, Z., & Tang, H. (2019). Generalizing semisupervised generative adversarial networks to regression using feature contrasting. Computer Vision and Image Understanding, 186, 1–12. https://doi.org/10.1016/J.CVIU.2019.06.004
Özdemir, M. E. Yapay Sinir Ağları Kullanılarak Orta Dönem Elektrik Enerjisi Tüketim Tahmini: İskenderun Örneği. Avrupa Bilim Ve Teknoloji Dergisi, (28), 489-492.
Özden, S., & Öztürk, A. (2018). Yapay sinir ağları ve zaman serileri yöntemi ile bir endüstri alanının (ivedik OSB) elektrik enerjisi ihtiyaç tahmini. Bilişim Teknolojileri Dergisi, 11(3), 255-261.
Özşahin, Ş., Mucuk, M. Ve Gerçeker, M. (2016). Yenilenebilir Enerji Ve Ekonomik Büyüme Arasındaki İlişki: Brıcs-T Ülkeleri Üzerine Panel Ardl Analizi. Siyaset, Ekonomi Ve Yönetim Araştırmaları Dergisi, 4(4), 111-130
Panwar, N. L., Kaushik, S. C., & Kothari, S. (2011). Role Of Renewable Energy Sources İn Environmental Protection: A Review. Renewable And Sustainable Energy Reviews, 15(3), 1513-1524.
Pençe, İ., Kalkan, A., Çeşmeli, M. Ş. (2019). Türkiye Sanayi Elektrik Enerjisi Tüketiminin 2017-2023 Dönemi İçin Yapay Sinir Ağları İle Tahmini. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 3(2), 206-228.
Peng, L., Wang, L., Xia, D., & Gao, Q. (2022). Effective energy consumption forecasting using empirical wavelet transform and long short-term memory. Energy, 238, 121756.
Polat E. (2019), Türkiye’nin aylık elektrik tüketiminin yapay sinir ağlarıyla tahmini, yüksek lisans tezi.
Ruiz, L. G. B., Rueda, R., Cuéllar, M. P., & Pegalajar, M. C. (2018). Energy consumption forecasting based on Elman neural networks with evolutive optimization. Expert Systems with Applications, 92, 380-389.
Rumeli, A.2007. Elektrik Enerjisi ve Türkiye, Ekonomik Sosyal Araştırmalar Dergisi, (1): 94-101
Sato-Ilic, M. (2017). Knowledge-based Comparable Predicted Values in Regression Analysis. Procedia Computer Science, 114, 216–223. https://doi.org/10.1016/j.procs.2017.09.063
Somu, N., MR, G. R., & Ramamritham, K. (2020). A hybrid model for building energy consumption forecasting using long short term memory networks. Applied Energy, 261, 114131.
Spurgeon, R., & Flood, M. (2002). Enerji Ve Güç,(Çev.: K. Sönmezler). Tübitak, Ankara.
T. Hong, S. Fan (2016). “Probabilistic Electric Load Forecasting: A Tutorial Review,” Int. J. Forecast, Vol.32, Pp.914-938.
Tainter, J. (1988). The Collapse Of Complex Societies. Cambridge University Press.
Tarı, Recep (2002), Ekonometri (İstanbul: Alfa Basım Yayım Dağıtım Ltd.Şti.).
Tedaş 2020 Yılı Faaliyet Raporu, Https://Www.Tedas.Gov.Tr/#!Tedas_Faaliyet_Raporlari Erişim Tarihi: 18.03.2022.
Tutu B. E. (2017), Türkiye İçin Kısa Vadeli Elektrik Enerjisi Talep Tahmini, Yüksek Lisans Tezi.
https://www.tuik.gov.tr/ Erişim Tarihi: 15.06.2022.
Twidell, J. (2021). Renewable Energy Resources. Routledge.
Uzun E.(2019), Farklı Yöntemler Kullanılarak Bursa ve Türkiye için Elektrik Enerjisi Talep Tahmini, Yüksek Lisans Tezi.
Xiao, J., Li, Y., Xie, L., Liu, D., & Huang, J. (2018). A hybrid model based on selective ensemble for energy consumption forecasting in China. Energy, 159, 534-546.
Yılmaz, M., Kanıt, R., Erdal, M., Yıldız, S., & Bakış, A. (2016). Bina Bakım Onarım Ödeneklerinin Etkin Kullanımı Maksadıyla İhale Bedelini Etkileyen faktörlerin yapay sinir ağları ve lineer regresyon yöntemleri ile belirlenmesi. Politeknik Dergisi, 19(4), 461-470.
Yuan, C., Liu, S., & Fang, Z. (2016). Comparison of China's primary energy consumption forecasting by using ARIMA (the autoregressive integrated moving average) model and GM (1, 1) model. Energy, 100, 384-390.
Yüksel, A., G., “Hava Kirliliği Tahmininde Çoklu Regresyon Analizi ve Yapay Sinir Ağları Yönteminin Karşılaştırılması,” Cumhuriyet Üniversitesi, Sosyal Bilimler Enstitüsü, Sivas, (2007).
Zhang, J., & Thomas, L. C. (2012). Comparisons of linear regression and survival analysis using single and mixture distributions approaches in modelling LGD. International Journal of Forecasting, 28(1), 204–215. https://doi.org/10.1016/J.IJFORECAST.2010.06.002.
Yayınlanan
Lisans
LisansBu İnternet Sitesi içeriğinde yer alan tüm eserler (yazı, resim, görüntü, fotoğraf, video, müzik vb.) Akademisyen Kitabevine ait olup, 5846 sayılı Fikir ve Sanat Eserleri Kanunu ve 5237 sayılı Türk Ceca Kanunu kapsamında korunmaktadır. Bu hakları ihlal eden kişiler, 5846 sayılı Fikir ve Sanat eserleri Kanunu ve 5237 sayılı Türk Ceza Kanununda yer alan hukuki ve cezai yaptırımlara tabi olurlar. Yayınevi ilgili yasal yollara başvurma hakkına sahiptir.
