Yapay sinir ağları yöntemiyle İstanbul ili doğal gaz tüketiminin tahmini ve şehir giriş istasyonlarının planlanması

Yıl 2024, Cilt: 39 Sayı: 2, 1017 - 1028, 30.11.2023

Vedat Balıkçı Zafer Gemici Tolga Taner Ahmet Selim Dalkılıç

https://doi.org/10.17341/gazimmfd.1165734

Öz

Bu çalışmada, Yapay Sinir Ağları kullanılarak İstanbul Asya yakası ve Avrupa yakası için günlük ve saatlik doğal gaz talep tahmin modelleri oluşturulmuştur. Doğal gaz kullanımını etkileyen parametreler; tüketici sayısı, ortalama günlük sıcaklık, minimum günlük sıcaklık, resmî tatiller, ısıtma derece gün sayısı olarak belirlenmiştir. 2008'den 2018'in sonuna kadar elde edilen veriler kullanılarak MATLAB yazılımı ile talep tahmin modelleri oluşturulmuş ve İstanbul’da son yüzyıl içerisinde yaşanmış en soğuk gün olan 9 Şubat 1929 günlük en düşük -16oC ve günlük ortalama -7oC sıcaklık değerlerine göre 2027 yılına kadar doğal gaz talebi tahmini yapılmıştır. Bu çalışma neticesinde, doğal gaz talep tahmini ile hangi yıl doğal gaz şehir giriş istasyonunun kurulacağına karar verilmektedir. Doğal gaz dağıtım şirketi tarafından bakıldığında, doğru tahmin yapılabilirliği sistemde oluşabilecek hataları azaltır ve gaz dağıtım planlamasını daha isabetli olanak sağlar. Bu şekilde, gaz sistemleri çok daha gerçekçi ve karlı hale gelir. Müşteri tarafından bakıldığında ise doğru tahmin değerleri, sistemde oluşabilecek hataları azaltacağı için bu da müşterilerin gazsız kalma olasılığını minimize eder. Ayrıca, Synergi Gas yazılımı ile İstanbul Asya ve Avrupa bölgelerinde yer alan dağıtım ağının hız ve basınç kriterleri dikkate alınarak, talep tahminine dayalı olası kötü senaryolar için doğal gaz şehir giriş istasyonlarının nereye kurulacağı öngörülmüştür. Elde edilen sonuçlara göre İstanbul Gaz Dağıtım A.Ş. tarafından doğal gaz şehir giriş istasyonları projelendirme çalışması yapılmıştır.

Anahtar Kelimeler

Enerji, doğal gaz, talep tahmini, arz güvenliği, yapay sinir ağları

Teşekkür

İstanbul Gaz Dağıtım A.ş.

Kaynakça

• 1. Türkel, V., Doğalgaz Dağıtımında Tasarım İmalat ve Yönetim, Tracemark., İstanbul, Türkiye, 2015.
• 2. Güller, Ş., Doğal gaz talep tahmininin yapay sinir ağları ile modellenmesi: Danimarka örneği, Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 24 (1), 360-385, 2022.
• 3. Brown, R.H., Matin, I., Development of artificial neural network models to predict daily gas consumption, IECON ’95- 21st Annual Conference on IEEE Industrial Electronics, Orlando, FL, USA, 1389–1394, 6-10 Kasım, 1995.
• 4. Gümrah, F., Katircioglu, D. and Aykan, Y., Modeling of gas demand using degree-day concept: case study for Ankara.” Energy Sources, 23 (2), 101–114, 2001.
• 5. Viet, N. H. and Mandziuk, J., Neural and fuzzy neural networks for natural gas consumption prediction, IEEE XIII Workshop on Neural Networks for Signal Processing, Toulouse, France, 1007-114, 17-19 Eylül, 2003.
• 6. Gorucu, F. B., Artificial neural network modeling for forecasting gas consumption, Energy Sources, 26 (3), 299-307, 2004.
• 7. Hamzaçebi̇ C., Kutay F., Electric consumption forecasting of Turkey using artificial neural networks up to year 2010, Journal of the Faculty of Engineering and Architecture of Gazi University, 19 (3), 227-233, 2004.
• 8. Yumurtaci, Z. and Asmaz, E., Electric energy demand of Turkey for the year 2050, Energy Sources, 26 (12), 1157–1164, 2004.
• 9. Yalcinoz, T., and Eminoglu, U., Short term and medium term power distribution load forecasting by neural networks, Energy Conversion and Management, 46 (9), 1393–1405, 2005.
• 10. Tunç, M., Çamdali, Ü., and Parmaksizoğlu, C., Comparison of Turkey’s electrical energy consumption and production with some European countries and optimization of future electrical power supply investments in Turkey, Energy Policy, 34 (1), 50–59, 2006.
• 11. Ediger, V. Ş., and Akar, S., ARIMA forecasting of primary energy demand by fuel in Turkey, Energy Policy, 35 (3), 1701–1708, 2007.
• 12. Erdogdu, E., Electricity demand analysis using cointegration and arima modelling: a case study of Turkey, Energy Policy, 35 (2), 1129–1146, 2007.
• 13. Demirel, O., ANFIS ve ARMA modelleri ile elektrik enerjisi yük tahmini, Yüksek Lisans Tezi, Marmara Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, 2009.
• 14. Akkurt, M., Demirel, O. F. and Zaim, S., Forecasting Turkey’s natural gas consumption by using time series methods, European Journal of Economic and Political Studies, 20 (5), 1–21, 2010.
• 15. Dilaver, Z., and Hunt, L. C., Industrial electricity demand for turkey: a structural time series analysis, Energy Economics, 33 (3), 426–436, 2011.
• 16. Bordignon, S., Bunn, D. W., Lisi, F., and Nan, F., Combining day-ahead forecasts for british electricity prices, Energy Economics, 35 (1), 88–103, 2013.
• 17. Soldo, B., Forecasting natural gas consumption, Applied Energy, 92 (1), 26–37, 2012.
• 18. Wang, Y., Wang, J., Zhao, G., and Dong, Y., Application of residual modification approach in seasonal arima for electricity demand forecasting: a case study of China, Energy Policy, 48, 284–294, 2012.
• 19. Demirel, O., Zaim, S., Çalışkan, A. and Ozuyar, P., Forecasting natural gas consumption in Istanbul using neural networks and multivariate time series methods, Turk J Elec Eng. & Comp Sci, 20 (5), 695-711, 2012.
• 20. Es H.A., Kalender F.Y., Hamzaçebi̇ C., Forecasting the net energy demand of Turkey by artificial neural networks, Journal of the Faculty of Engineering and Architecture of Gazi University, 29 (3), 87-94, 2014.
• 21. Hosseinipoor, S., Forecasting natural gas prices in the United States using artificial neural networks, Yüksek Lisans Tezi, Oklahoma Üniversitesi, 2018.
• 22. Beyca, O. F., Ervural, B. C., Tatoglu, E., Ozuyar, P. G., and Zaim, S., Using machine learning tools for forecasting natural gas consumption in the province of Istanbul, Energy Economics, 80 (1), 937–949, 2019.
• 23. Akpınar M., Yumuşak N., Daily basis mid-term demand forecast of city natural gas using univariate statistical techniques, Journal of the Faculty of Engineering and Architecture of Gazi University, 35 (2), 725-741, 2020.
• 24. Kant, B., and Odabas, M. S., Investigation of studies on natural gas consumption forecasting by artificial neural networks, Black Sea Journal of Engineering and Science, 3 (4), 190-197, 2020.
• 25. Li, J.-M., Dong, X.-C., Jiang, Q.-Z. and Dong, K.-Y., Urban natural gas demand and factors analysis in China: perspectives of price and income elasticities, Petroleum Science, 19, 429-440, 2021.
• 26. Bilici Z., Özdemir D., Comparative analysis of metaheuristic optimization algorithms for natural gas demand forecast with meteorological parameters, Journal of the Faculty of Engineering and Architecture of Gazi University, 38 (2), 1153-1167, 2023.
• 27. Cihan, P., Impact of the covıd-19 lockdowns on electricity and natural gas consumption in the different industrial zones and forecasting consumption amounts: Turkey case study, International Journal of Electrical Power & Energy Systems, 134, 2022.
• 28. Li, F., Zheng, H., Li, X. and Yang, F., Day-ahead city natural gas load forecasting based on decomposition-fusion technique and diversified ensemble learning model, Applied Energy, 303, 2021.
• 29. Yavuz, S., and Deveci̇, M., İstatiksel normalizasyon tekniklerinin yapay sinir ağın performansina etkisi, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22, 167-187, 2012.
• 30. Svoboda, R., Kotik, V. and Platos, J., Short-term natural gas consumption forecasting from long-term data collection, Energy, 218, 2021.