Research Article
BibTex RIS Cite

TÜRKİYE’NİN KAYNAKLARA GÖRE ELEKTRİK ÜRETİMİNİN YAPAY SİNİR AĞI VE İKİ YÖNLÜ UZUN - KISA VADELİ BELLEK YÖNTEMLERİ KULLANILARAK TAHMİNİ

Year 2021, Volume: 9 Issue: 2, 425 - 435, 20.06.2021
https://doi.org/10.21923/jesd.870908

Abstract

Enerjinin ülkelerin gelişmesinde büyük bir rol oynadığı tartışılmaz bir gerçektir. Gelişmede elektrik enerjisine büyük pay düşer. Elektrik bir ikincil enerji kaynağıdır, yani birincil enerji kaynaklarının dönüştürülmesi sonucu elde edilmektedir. İstenen seviyeye ulaşılmamış olsa da Türkiye’nin kurulu gücü yıllara göre artmış ve elektrik üretiminde kömür, petrol, doğalgaz, hidroelektrik enerji, rüzgâr, güneş ve diğer enerji yenilenebilir enerji kaynakları gibi çok çeşitli enerji kaynakları kullanılmaktadır. Bu noktada toplam elektrik üretiminde yenilenebilir enerji kaynaklarının payının yıldan yıla arttığı gözlenmektedir. Bu artışın ülke ekonomisi için çok önemli olduğunun altı çizilmelidir. Bu çalışmada, Türkiye’nin 2010-2019 yıllarındaki kaynaklara göre elektrik üretimi verilerinden yararlanılarak 2020 ve 2021 yılları için kaynaklara göre elektrik üretimi, yapay sinir ağı (Artificial Neural Network - ANN) ve iki yönlü uzun – kısa vadeli bellek yöntemleri (Bidirectional Long Short - Term Memory - BLSTM) ile tahmin edilmiştir. ANN ve BLSTM yöntemleriyle 2020 yılı için yenilenebilir enerji kaynaklarından üretilen elektriğin toplam elektrik üretimi içindeki payının sırasıyla %18,08 ve %18,6 olacağı hesaplanmıştır. 2021 yılı için ise yenilenebilir enerji kaynaklarından üretilen elektriğin toplam elektrik üretimi içindeki payının sırasıyla %21,95 ve %21,68 olacağı hesaplanmıştır. Bu sonuçlar yenilenebilir enerji kaynaklarından üretilen elektriğin toplam elektrik üretimi içindeki payının artacağını göstermektedir. Son olarak yenilenebilir enerji kaynaklarına yatırımlar alanında nasıl bir yol haritası izlenmesi gerektiğine dair önerilerde bulunulmuştur.

References

  • Ahmed, R., El Sayed, M., Gadsden, S. A., Tjong, J., Habibi, S., 2014. Automotive internal-combustion-engine fault detection and classification using artificial neural network techniques. IEEE Transactions on vehicular technology, 64 (1), 21-33.
  • Bekar, N. (2020). Yenilenebilir Enerji Kaynakları Açısından Türkiye’nin Enerji Jeopolitiği. Türkiye Siyaset Bilimi Dergisi, 3 (1), 37-54.
  • Bilgili, M., Sahin, B., Yasar, A., Simsek, E., 2012. Electric energy demands of Turkey in residential and industrial sectors. Renewable and Sustainable Energy Reviews, 16 (1), 404-414.
  • BP British Petrol (2020a). Full Report - BP Statistical Review of World Energy 2020, https://www.bp.com/content/dam/bp/business-sites/en/global/corporate/pdfs/energy-economics/statistical-review/bp-stats-review-2020-full-report.pdf (27.01.2021)
  • BP British Petrol (2020b). BP Statistical Review of World Energy - Overview documents - Consolidated dataset - panel format, https://www.bp.com/en/global/corporate/energy-economics/statistical-review-of-world-energy/downloads.html (27.01.2021)
  • BP British Petrol (2020c). BP Statistical Review of World Energy - Overview documents - Statistical Review of World Energy -all data, 1965-2019, https://www.bp.com/en/global/corporate/energy-economics/statistical-review-of-world-energy/downloads.html (27.01.2021)
  • Byvatov, E., Fechner, U., Sadowski, J., Schneider, G., 2003. Comparison of support vector machine and artificial neural network systems for drug/nondrug classification. Journal of chemical information and computer sciences, 43 (6), 1882-1889.
  • Coşkun, A., 2012. Türkiye'de Elektrik Enerjisi Sorunu ve Ekonomik Gelişmemizdeki Önemi. Sosyal Siyaset Konferansları Dergisi, (34), 73-83.
  • Çınar, S. Yılmazer, M., 2015. Yenilenebilir Enerji Kaynaklarının Belirleyicileri ve Ekonomik Büyüme İlişkisi: Gelişmekte Olan Ülkeler Örneği. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 30 (1), 55-78.
  • Deng, L., Yu, D., 2014. Deep learning: methods and applications. Foundations and trends in signal processing, 7 (3–4), 197-387.
  • Doğan, M., 2011. Enerji kullanımının coğrafi çevre üzerindeki etkileri. Marmara Coğrafya Dergisi, (23), 36-52.
  • Es, H. A., Kalender, F. Y., Hamzaçebi, C., 2014. Yapay sinir ağları ile Türkiye net enerji talep tahmini. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 29 (3), 495-504.
  • Esfe, M. H., Saedodin, S., Sina, N., Afrand, M., Rostami, S., 2015. Designing an artificial neural network to predict thermal conductivity and dynamic viscosity of ferromagnetic nanofluid. International Communications in Heat and Mass Transfer, 68, 50-57.
  • Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., Thrun, S., 2017. Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542 (7639), 115-118.
  • Geem, Z.W., Roper, W.E., 2009. Energy Demand Estimation of South Korea Using Artificial Neural Network, Energy Policy, 10, 6379-6380.
  • Graves, A., Schmidhuber, J., 2005. Framewise phoneme classification with bidirectional LSTM and other neural network architectures. Neural networks, 18 (5-6), 602-610.
  • Hamzaçebi, C., 2007. Forecasting of Turkey's net electricity energy consumption on sectoral bases. Energy policy, 35 (3), 2009-2016.
  • Hamzaçebi, C., Kutay, F., 2004. Yapay Sinir Ağları ile Türkiye Elektrik Enerjisi Tüketiminin 2010 Yılına Kadar Tahmini, Gazi Üniversitesi Mühendis Mimarlık Fakültesi Dergisi, 19 (3), 227-233.
  • Hsu, C., Chen, C., 2003. Regional Load Forecasting in Taiwan Applications of Artificial Neural Networks, Energy Conversion and Management, 44, 1941-1949.
  • Kankal, M., Akpınar, A., Kömürcü, M. İ., Özşahin, T. Ş., 2011. Modeling and forecasting of Turkey’s energy consumption using socio-economic and demographic variables. Applied Energy, 88 (5), 1927-1939.
  • Kar, M., Kınık, E., 2008. Türkiye’de Elektrik Tüketimi Çeşitleri ve Ekonomik Büyüme Arasındaki İlişkinin Ekonometrik bir Analizi, Afyon Kocatepe Üniversitesi İİBF Dergisi, 10 (11), 333-353.
  • Kavaklioglu, K., Ceylan, H., Ozturk, H. K., Canyurt, O. E., 2009. Modeling and prediction of Turkey’s electricity consumption using artificial neural networks. Energy Conversion and Management, 50 (11), 2719-2727.
  • Kayakuş, M., 2020. The Estimation of Turkey's Energy Demand Through Artificial Neural Networks and Support Vector Regression Methods. Alphanumeric Journal, 8 (2) , 227-236.
  • Khosravi, A., Koury, R. N. N., Machado, L., Pabon, J. J. G., 2018. Prediction of wind speed and wind direction using artificial neural network, support vector regression and adaptive neuro-fuzzy inference system. Sustainable Energy Technologies and Assessments, 25, 146-160.
  • Kingma, D. P., Ba, J., 2014. Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
  • Kiperwasser, E., Goldberg, Y., 2016. Simple and accurate dependency parsing using bidirectional LSTM feature representations. Transactions of the Association for Computational Linguistics, 4, 313-327.
  • Koç, E., Kaya, K., 2015. Enerji Kaynakları – Yenilenebilir Enerji Durumu. Mühendis ve Makina, 56 (668), 36-47.
  • Koç, E., Şenel, M. C., 2013. Dünyada ve Türkiye’de enerji durumu-genel değerlendirme. Mühendis ve Makina, 54 (639), 32-44.
  • LeCun, Y., Bengio, Y., Hinton, G., 2015. Deep learning. Nature, 521(7553), 436-444.
  • Özden, S., Öztürk, A., 2018. Yapay sinir ağları ve zaman serileri yöntemi ile bir endüstri alanının (İvedik OSB) elektrik enerjisi ihtiyaç tahmini. Bilişim Teknolojileri Dergisi, 11 (3), 255-261.
  • Pao, H., 2006. Comparing linear and nonlinear forecasts for Taiwan’s electricity consumption. Energy, 31 (12), 2129–2141.
  • Park, D. C., El-Sharkawi, M. A., Marks, R. J., Atlas, L. E., Damborg, M. J., 1991. Electric load forecasting using an artificial neural network. IEEE transactions on Power Systems, 6 (2), 442-449.
  • Pençe, İ., Kalkan, A., Şi̇şeci̇ Çeşmeli̇, M., 2019. Türkiye Sanayi Elektrik Enerjisi Tüketiminin 2017-2023 dönemi için Yapay Sinir Ağları ile Tahmini. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 3 (2), 206-228.
  • Ringwood, J. V., Bofelli, D. Murray, F. T., 2001. Forecasting Electricity Demand on Short, Medium and Long Time Scales Using Neural Networks, Journal of Intelligent and Robotic Systems, 31, 129–147.
  • Ruder, S., 2016. An overview of gradient descent optimization algorithms. arXiv preprint arXiv:1609.04747.
  • Sözen, A., Akçayol, M. A., Arcaklioğlu, E., 2006. Forecasting net energy consumption using artificial neural network. Energy Sources, Part B, 1 (2), 147-155.
  • Sözen, A., Arcaklioglu, E., 2007. Prediction of net energy consumption based on economic indicators (GNP and GDP) in Turkey. Energy policy, 35 (10), 4981-4992.
  • Sözen, A., Arcaklioğlu, E., Özkaymak, M., 2005. Turkey’s net energy consumption. Applied Energy, 81 (2), 209-221.
  • Ticknor, J. L., 2013. A Bayesian regularized artificial neural network for stock market forecasting. Expert Systems with Applications, 40 (14), 5501-5506.
  • Tunalı, H., Ulubaş, M., 2017. Elektrik Enerjisi Tüketimi Ve Ekonomik Büyüme Arasındaki İlişki: G7 Ülkeleri Üzerine Bir Uygulama (1970-2015). Selçuk Üniversitesi Sosyal Bilimler Meslek Yüksekokulu Dergisi. 20 (1), 1-13.
  • Yapraklı, S., Yurttançıkmaz, Z. Ç., 2012. Elektrik tüketimi ile ekonomik büyüme arasındaki nedensellik: Türkiye üzerine ekonometrik bir analiz. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 13 (2), 195-215.
  • Yılmaz, M., 2012. Türkiye’nin enerji potansiyeli ve yenilenebilir enerji kaynaklarının elektrik enerjisi üretimi açısından önemi. Ankara Üniversitesi Çevrebilimleri Dergisi 4 (2). 33-54.
  • Yüzük, F., 2019. Çoklu regresyon analizi ve yapay sinir ağları ile Türkiye enerji talep tahmini. (Master’s thesis), Sivas Cumhuriyet Üniversitesi, Sivas.

PREDICTION OF TURKEY’S ELECTRICITY GENERATION BY SOURCES USING ARTIFICIAL NEURAL NETWORK AND BIDIRECTIONAL LONG SHORT - TERM MEMORY

Year 2021, Volume: 9 Issue: 2, 425 - 435, 20.06.2021
https://doi.org/10.21923/jesd.870908

Abstract

It is an indisputable fact that energy plays a big role in the development of countries. Electrical energy has a great share in the development. Electricity is a secondary energy source, i.e. it is obtained by transforming primary energy sources. Although the desired level has not yet been reached, Turkey’s installed power has increased by years and a wide variety of energy sources such as coal, oil, natural gas, hydroelectric energy, wind, solar and other renewable energy sources are used in electricity generation. At this point, it is observed that the share of renewable energy sources in total electricity generation has increased from year to year. It should be underlined that this increase is very important for the country’s economy. In this study, Turkey’s electricity generation by sources for the years 2020 and 2021 was predicted with artificial neural network (ANN) and bidirectional long short - term memory (BLSTM) methods using the data for electricity generation by sources in the years 2010-2019. The share of electricity generated from renewable energy sources in total electricity generation for 2020 by ANN and BLSTM methods was calculated as 18.08% and 18.6% respectively. For 2021, the share of electricity generated from renewable energy sources in total electricity generation was calculated as 21.95% and 21.68% respectively. These results show that the share of electricity generated from renewable energy sources in total electricity generation will increase. Finally, suggestions were made on what kind of roadmap should be followed in the field of investments in renewable energy resources.

References

  • Ahmed, R., El Sayed, M., Gadsden, S. A., Tjong, J., Habibi, S., 2014. Automotive internal-combustion-engine fault detection and classification using artificial neural network techniques. IEEE Transactions on vehicular technology, 64 (1), 21-33.
  • Bekar, N. (2020). Yenilenebilir Enerji Kaynakları Açısından Türkiye’nin Enerji Jeopolitiği. Türkiye Siyaset Bilimi Dergisi, 3 (1), 37-54.
  • Bilgili, M., Sahin, B., Yasar, A., Simsek, E., 2012. Electric energy demands of Turkey in residential and industrial sectors. Renewable and Sustainable Energy Reviews, 16 (1), 404-414.
  • BP British Petrol (2020a). Full Report - BP Statistical Review of World Energy 2020, https://www.bp.com/content/dam/bp/business-sites/en/global/corporate/pdfs/energy-economics/statistical-review/bp-stats-review-2020-full-report.pdf (27.01.2021)
  • BP British Petrol (2020b). BP Statistical Review of World Energy - Overview documents - Consolidated dataset - panel format, https://www.bp.com/en/global/corporate/energy-economics/statistical-review-of-world-energy/downloads.html (27.01.2021)
  • BP British Petrol (2020c). BP Statistical Review of World Energy - Overview documents - Statistical Review of World Energy -all data, 1965-2019, https://www.bp.com/en/global/corporate/energy-economics/statistical-review-of-world-energy/downloads.html (27.01.2021)
  • Byvatov, E., Fechner, U., Sadowski, J., Schneider, G., 2003. Comparison of support vector machine and artificial neural network systems for drug/nondrug classification. Journal of chemical information and computer sciences, 43 (6), 1882-1889.
  • Coşkun, A., 2012. Türkiye'de Elektrik Enerjisi Sorunu ve Ekonomik Gelişmemizdeki Önemi. Sosyal Siyaset Konferansları Dergisi, (34), 73-83.
  • Çınar, S. Yılmazer, M., 2015. Yenilenebilir Enerji Kaynaklarının Belirleyicileri ve Ekonomik Büyüme İlişkisi: Gelişmekte Olan Ülkeler Örneği. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 30 (1), 55-78.
  • Deng, L., Yu, D., 2014. Deep learning: methods and applications. Foundations and trends in signal processing, 7 (3–4), 197-387.
  • Doğan, M., 2011. Enerji kullanımının coğrafi çevre üzerindeki etkileri. Marmara Coğrafya Dergisi, (23), 36-52.
  • Es, H. A., Kalender, F. Y., Hamzaçebi, C., 2014. Yapay sinir ağları ile Türkiye net enerji talep tahmini. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 29 (3), 495-504.
  • Esfe, M. H., Saedodin, S., Sina, N., Afrand, M., Rostami, S., 2015. Designing an artificial neural network to predict thermal conductivity and dynamic viscosity of ferromagnetic nanofluid. International Communications in Heat and Mass Transfer, 68, 50-57.
  • Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., Thrun, S., 2017. Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542 (7639), 115-118.
  • Geem, Z.W., Roper, W.E., 2009. Energy Demand Estimation of South Korea Using Artificial Neural Network, Energy Policy, 10, 6379-6380.
  • Graves, A., Schmidhuber, J., 2005. Framewise phoneme classification with bidirectional LSTM and other neural network architectures. Neural networks, 18 (5-6), 602-610.
  • Hamzaçebi, C., 2007. Forecasting of Turkey's net electricity energy consumption on sectoral bases. Energy policy, 35 (3), 2009-2016.
  • Hamzaçebi, C., Kutay, F., 2004. Yapay Sinir Ağları ile Türkiye Elektrik Enerjisi Tüketiminin 2010 Yılına Kadar Tahmini, Gazi Üniversitesi Mühendis Mimarlık Fakültesi Dergisi, 19 (3), 227-233.
  • Hsu, C., Chen, C., 2003. Regional Load Forecasting in Taiwan Applications of Artificial Neural Networks, Energy Conversion and Management, 44, 1941-1949.
  • Kankal, M., Akpınar, A., Kömürcü, M. İ., Özşahin, T. Ş., 2011. Modeling and forecasting of Turkey’s energy consumption using socio-economic and demographic variables. Applied Energy, 88 (5), 1927-1939.
  • Kar, M., Kınık, E., 2008. Türkiye’de Elektrik Tüketimi Çeşitleri ve Ekonomik Büyüme Arasındaki İlişkinin Ekonometrik bir Analizi, Afyon Kocatepe Üniversitesi İİBF Dergisi, 10 (11), 333-353.
  • Kavaklioglu, K., Ceylan, H., Ozturk, H. K., Canyurt, O. E., 2009. Modeling and prediction of Turkey’s electricity consumption using artificial neural networks. Energy Conversion and Management, 50 (11), 2719-2727.
  • Kayakuş, M., 2020. The Estimation of Turkey's Energy Demand Through Artificial Neural Networks and Support Vector Regression Methods. Alphanumeric Journal, 8 (2) , 227-236.
  • Khosravi, A., Koury, R. N. N., Machado, L., Pabon, J. J. G., 2018. Prediction of wind speed and wind direction using artificial neural network, support vector regression and adaptive neuro-fuzzy inference system. Sustainable Energy Technologies and Assessments, 25, 146-160.
  • Kingma, D. P., Ba, J., 2014. Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
  • Kiperwasser, E., Goldberg, Y., 2016. Simple and accurate dependency parsing using bidirectional LSTM feature representations. Transactions of the Association for Computational Linguistics, 4, 313-327.
  • Koç, E., Kaya, K., 2015. Enerji Kaynakları – Yenilenebilir Enerji Durumu. Mühendis ve Makina, 56 (668), 36-47.
  • Koç, E., Şenel, M. C., 2013. Dünyada ve Türkiye’de enerji durumu-genel değerlendirme. Mühendis ve Makina, 54 (639), 32-44.
  • LeCun, Y., Bengio, Y., Hinton, G., 2015. Deep learning. Nature, 521(7553), 436-444.
  • Özden, S., Öztürk, A., 2018. Yapay sinir ağları ve zaman serileri yöntemi ile bir endüstri alanının (İvedik OSB) elektrik enerjisi ihtiyaç tahmini. Bilişim Teknolojileri Dergisi, 11 (3), 255-261.
  • Pao, H., 2006. Comparing linear and nonlinear forecasts for Taiwan’s electricity consumption. Energy, 31 (12), 2129–2141.
  • Park, D. C., El-Sharkawi, M. A., Marks, R. J., Atlas, L. E., Damborg, M. J., 1991. Electric load forecasting using an artificial neural network. IEEE transactions on Power Systems, 6 (2), 442-449.
  • Pençe, İ., Kalkan, A., Şi̇şeci̇ Çeşmeli̇, M., 2019. Türkiye Sanayi Elektrik Enerjisi Tüketiminin 2017-2023 dönemi için Yapay Sinir Ağları ile Tahmini. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 3 (2), 206-228.
  • Ringwood, J. V., Bofelli, D. Murray, F. T., 2001. Forecasting Electricity Demand on Short, Medium and Long Time Scales Using Neural Networks, Journal of Intelligent and Robotic Systems, 31, 129–147.
  • Ruder, S., 2016. An overview of gradient descent optimization algorithms. arXiv preprint arXiv:1609.04747.
  • Sözen, A., Akçayol, M. A., Arcaklioğlu, E., 2006. Forecasting net energy consumption using artificial neural network. Energy Sources, Part B, 1 (2), 147-155.
  • Sözen, A., Arcaklioglu, E., 2007. Prediction of net energy consumption based on economic indicators (GNP and GDP) in Turkey. Energy policy, 35 (10), 4981-4992.
  • Sözen, A., Arcaklioğlu, E., Özkaymak, M., 2005. Turkey’s net energy consumption. Applied Energy, 81 (2), 209-221.
  • Ticknor, J. L., 2013. A Bayesian regularized artificial neural network for stock market forecasting. Expert Systems with Applications, 40 (14), 5501-5506.
  • Tunalı, H., Ulubaş, M., 2017. Elektrik Enerjisi Tüketimi Ve Ekonomik Büyüme Arasındaki İlişki: G7 Ülkeleri Üzerine Bir Uygulama (1970-2015). Selçuk Üniversitesi Sosyal Bilimler Meslek Yüksekokulu Dergisi. 20 (1), 1-13.
  • Yapraklı, S., Yurttançıkmaz, Z. Ç., 2012. Elektrik tüketimi ile ekonomik büyüme arasındaki nedensellik: Türkiye üzerine ekonometrik bir analiz. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 13 (2), 195-215.
  • Yılmaz, M., 2012. Türkiye’nin enerji potansiyeli ve yenilenebilir enerji kaynaklarının elektrik enerjisi üretimi açısından önemi. Ankara Üniversitesi Çevrebilimleri Dergisi 4 (2). 33-54.
  • Yüzük, F., 2019. Çoklu regresyon analizi ve yapay sinir ağları ile Türkiye enerji talep tahmini. (Master’s thesis), Sivas Cumhuriyet Üniversitesi, Sivas.
There are 43 citations in total.

Details

Primary Language English
Journal Section Research Articles
Authors

Batin Latif Aylak 0000-0003-0067-1835

Mehmet Hakan Özdemir 0000-0002-7174-9807

Murat İnce 0000-0001-5566-5008

Okan Oral 0000-0002-6302-4574

Publication Date June 20, 2021
Submission Date January 29, 2021
Acceptance Date March 30, 2021
Published in Issue Year 2021 Volume: 9 Issue: 2

Cite

APA Aylak, B. L., Özdemir, M. H., İnce, M., Oral, O. (2021). PREDICTION OF TURKEY’S ELECTRICITY GENERATION BY SOURCES USING ARTIFICIAL NEURAL NETWORK AND BIDIRECTIONAL LONG SHORT - TERM MEMORY. Mühendislik Bilimleri Ve Tasarım Dergisi, 9(2), 425-435. https://doi.org/10.21923/jesd.870908