Çok Katmanlı Algılayıcı Algoritması, Korelasyon Tabanlı Özellik Seçme Yöntemi ve Eğri Uydurma Tekniği ile Türkiye’ de Toplam Elektrik Tüketiminin Tahmin Edilmesi

Elektrik tüketiminin tahmin edilmesi, güç sistemlerinin planlanması ve işletilmesinde önemli bir rol oynar. Bu yüzden bu çalışmada Çok Katmanlı Algılayıcı Algoritması (ÇKAA), Korelasyon Tabanlı Özellik Seçme Yöntemi (KTÖSY) ve Eğri Uydurma (EU) teknikleri ile Türkiye’ de toplam elektrik tüketimini tahmin eden bir model geliştirilmiştir. 2013-2018 yılları arası veriler ÇKAA, KTÖSY ve EU modelini oluşturmak için kullanılırken 2019-2020 yıllarındaki veriler ise modelin başarısını test etmek için kullanılmıştır. Yazılım sonuçları yöntemin geçmiş yıllardaki toplam elektrik tüketimini tahmin etmede başarılı olduğunu göstermiştir. Aynı zamanda oluşturulan model ile 2024 yılına kadar Türkiye’ deki toplam elektrik tüketimi de tahmin edilmiştir. Önerilen yöntem ile tahmin edilen toplam elektrik tüketimi değerlerinin farklı çalışma sonuçları ile tutarlı olduğu belirlenmiştir.

Anahtar Kelimeler:

Elektrik tüketimi, çok katmanlı algılayıcı algoritması, korelasyon tabanlı özellik seçme yöntemi, eğri uydurma

PDF

___

[1] Khan AR, Mahmood A, Safdar A, Khan ZA, Khan NA. Load forecasting, dynamic pricing and DSM in smart grid: A review. Renewable Sustainable Energy Rev 2016; 54: 1311-1322.
[2] Hong T, Fan S. Probabilistic electric load forecasting: A tutorial review. International Journal of Forecasting 2016; 32(3): 914-938.
[3] Raza MQ, Khosravi A. A review on artificial intelligence based load demand forecasting techniques for smart grid and buildings. Renewable Sustainable Energy Rev 2015; 50: 1352-1372.
[4] Amral N, Ozveren CS, King D. Short term load forecasting using multiple linear regression. In 2007 42nd International universities power engineering conference 2007; Brighton, UK:1192-1198.
[5] Chen JF, Wang WM, Huang CM. Analysis of an adaptive time-series autoregressive moving-average (ARMA) model for short-term load forecasting. Electr. Power Syst. Res 1995; 34(3): 187-196.
[6] Christiaanse WR. Short-term load forecasting using general exponential smoothing. IEEE Transactions on Power Apparatus and Systems 1971; (2): 900-911.
[7] Chakhchoukh Y, Panciatici P, Mili L. Electric load forecasting based on statistical robust methods. IEEE Transactions on Power Systems 2010; 26(3): 982-991.
[8] Khotanzad A, Afkhami-Rohani R. ANNSTLF—Artificial neural network short-term load forecaster generation three. IEEE Transactions on Power Systems 1998; 13(4): 1413–1422.
[9] Chen B.-J, Chang M-W, Lin C-J. Load forecasting using support vector machines: a study on EUNITE competition 2001. IEEE Transactions on Power Systems 2004; 19: 1821–1830.
[10] Hong T, Wang P. Fuzzy interaction regression for short term load forecasting. Fuzzy Optimization and Decision Making 2014; 13(1): 91–103.
[11] Khotanzad A, Zhou E, Elragal H. A neuro-fuzzy approach to short-term load forecasting in a price-sensitive environment. IEEE Transactions On Power Systems 2002; 17(4): 1273-1282.
[12] Tripathi MM, Upadhyay KG, Singh SN. Short-term load forecasting using generalized regression and probabilistic neural networks in the electricity market. The Electricity Journal, 2008; 21(9): 24-34.
[13] Çalık AE, Şirin H. Türkiye’deki elektrik enerji ihtiyacının matematiksel bir modellemesi. Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi 2017; 21(6): 1475-1482.
[14] ES HA, Kalender FY, Hamzaçebi C. Yapay sinir ağlari ile Türkiye net enerji talep tahmini. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi 2014; 29(3): 495-504.
[15] ES HA. Gri tahmin modelleri ile toplam enerji talep tahmini: Türkiye örneği. Gümüşhane Üniversitesi Fen Bilimleri Dergisi 2020; 10(3): 771-782.
[16] Nebati EE, Murat TAŞ, Ertaş G. Türkiye’de Elektrik Tüketiminde Talep Tahmini: Zaman Serisi Ve Regresyon Analizi ile Karşılaştırma. Avrupa Bilim ve Teknoloji Dergisi 2021; 31: 348-357.
[17] Kaynar O, Yüksek AG, Demirkoparan F. Genetik Algoritma ile Eğitilmiş Destek Vektör Regresyon Kullanilarak Türkiye'nin Elektrik Tüketim Tahmini. Journal of the Faculty of Economics/Iktisat Fakültesi Mecmuasi 2016; 66(2): 45-60.
[18] Kavaklioglu K. Modeling and prediction of Turkey’s electricity consumption using Support Vector Regression. Applied Energy 2011; 88(1): 368-375.
[19] Kavaklioglu K, Ceylan H, Ozturk HK, Canyurt OE. Modeling and prediction of Turkey’s electricity consumption using artificial neural networks. Energy Conversion and Management 2009; 50(11): 2719-2727.
[20] Aslan M. Türkiye’nin Enerji Talebini Tahmin Etmek İçin Tulumlular Sürü Algoritmasina Dayali Bir Uygulama. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi 2021; 8(14): 34-46.
[21] Area S, Mesra R. Analysis of Bayes, neural network and tree classifier of classification technique in data mining using WEKA. Computer Science & Information Technology 2012.
[22] Morariu D, Crețulescu R, Breazu M. The weka multilayer perceptron classifier. International Journal of Advanced Statistics and IT&C for Economics and Life Sciences 2017; 7(1).
[23] Kumar A, Singh AP. Neural network based fault diagnosis in analog electronic circuit using polynomial curve fitting. International Journal of Computer Applications 2013; 61(16).
[24] Yildirim P. Filter based feature selection methods for prediction of risks in hepatitis disease. International Journal of Machine Learning and Computing 2015; 5(4): 258.
[25] Budak, H. Özellik seçim yöntemleri ve yeni bir yaklaşım. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 2018; 22: 21-31.