ELEKTRİK ENERJİSİ TÜKETİM VERİLERİ İÇİN UYGUN TAHMİN YÖNTEMİ SEÇİMİ

Yıl 2020, Cilt: 31 Sayı: 2, 198 - 214, 31.08.2020

Ezel Özkan , Ezgi Güler , Zerrin Aladağ

https://doi.org/10.46465/endustrimuhendisligi.708830

Cited By: 4

Öz

Bu çalışmada Ocak 2016 - Aralık 2018 arası dönem için Türkiye’deki elektrik enerjisi tüketim verileri üzerinde tahminleme modelleri oluşturulmuştur. Tahminleme yaklaşımı olarak “En Küçük Kareler Yöntemi ile Fourier Analizi” ve “Winters’ Yöntemi” kullanılmıştır. En Küçük Kareler Yöntemi ile Fourier Analizi’nde model denklemi için Microsoft Excel’den, Winters’ Yöntemi ile modellemede ise Minitab 19 Paket Programından yararlanılmıştır. Tahmin modellemesinde elektrik tüketim değerleri (TWh) 12 ay, 24 ay ve 36 ay olmak üzere dönemsel olarak incelenmiş, değişkenlik (varyasyon) katsayısı hesaplanmıştır. Bu bağlamda veri setinin dönemsel değişkenliği ve tahmin modellerinin başarısı; değişkenlik katsayısı (Cv) MAPE, MSE, RMSE ve MSD başarı kriterleri ile değerlendirilmiştir.
Bu çalışmada elektrik enerjisi tüketimi gibi mevsimsel dalgalanma içeren zaman serilerinin gözlem verileri için modelleme başarısı yüksek alternatif tahmin modelleri karşılaştırılmıştır. Değerlendirme sonucu başarı kriterleri bakımından daha iyi sonuç veren Winters’ Yöntemi ile gelecek 36 aylık elektrik enerjisi tüketim verileri tahminlenmiştir. Oluşturulan modeller strateji belirleyiciler için rehber niteliğindedir.

Anahtar Kelimeler

Elektrik Tüketimi, , Tahminleme, Fourier Analizi, Winters’ Yöntemi

Kaynakça

• Al-Hafid, M. S., & Al-maamary, G. H. (2012). Short term electrical load forecasting using holt-winters method. AL Rafdain Engineering Journal, 20(6), 15-22. Erişim adresi: https://www.iasj.net/iasj?func=article&aId=63377
• Abbak R., Jeodezide Zaman Dizilerinin Fourier Analizi, Yüksek Lisans Semineri, 2003.
• Abbak, R. & Yerci, M. (2012). En Küçük Karelerle Spektral Analiz Ve Fourıer Tekniğinin Karşılaştırılması. Selçuk-Teknik Dergisi, 11(1), 32-47. Erişim adresi: http://sutod.selcuk.edu.tr/sutod/article/viewFile/80/396
• Beatrice, C. B., Nasser, R., Afshar, K., Selaman, O., & Fahmi, H. (2014). Application of mathematical modelling in rainfall forecast: A case study in SGS, International Journal of Research in Engineering and Technology, 3, pp. 2321-7308. Erişim adresi: https://www.researchgate.net/profile/Nasser_Rostam_Afshar2/publication/269634944_APPLICATION_OF_MATHEMATICAL_MODELLING_IN_RAINFALL_FORCAST_A_CSAE_STUDY_IN_SGS_SARAWAK_BASIN/links/5aaac2b4a6fdccd3b9bbf126/APPLICATION-OF-MATH
• Bekçioğlu, S., Kaderli, Y., & Varlık, B. (2018). BİST 100 Endeksinin Spektral Analiz Yöntemiyle İncelenmesi. Muhasebe ve Finansman Dergisi, (78), 87-110. Erişim Adresi: https://dergipark.org.tr/en/download/article-file/452856
• Burnak N (1982). Mevsimsel Dalgalanma Gösteren Zaman Serilerinin Matematiksel Modeli - Fourıer Serisi Uygulaması, Eskişehir İktisadi Ve Ticari İlimler Akademisi Dergisi, XVIII (2),370-387.Erişimadresi: http://iibf.erciyes.edu.tr/kutuphane/petas/petas.php?skip=0&keyword=N%C4%B0METULLAH+BURNAK&type=5
• Dantas, T. M., Oliveira, F. L. C., & Repolho, H. M. V. (2017). Air transportation demand forecast through Bagging Holt Winters methods. Journal of Air Transport Management, 59, 116-123. Erişim adresi: https://www.sciencedirect.com/science/article/abs/pii/S0969699716302265
• Fumi, A., Pepe, A., Scarabotti, L., & Schiraldi, M. M. (2013). Fourier analysis for demand forecasting in a fashion company. International Journal of Engineering Business Management, 5(Godište 2013), 5-30. DOI: https://doi.org/10.5772/56839
• Granger, Clive W. - Hatanaka, Michio (1964). Spectral Analysis of Economic Time Series, Princeton University Press, Princeton
• Ghosh, S. (2002). Electricity consumption and economic growth in India. Energy policy, 30(2),125-129. Erişim adresi: https://www.sciencedirect.com/science/article/abs/pii/S0301421501000787
• González E., Jaramillo M.A., Carmona D. (2008). Monthly electric energy demand forecasting with neural networks and Fourier series, Energy Conversion and Management, 49(11), pp. 3135-3142, 2008. DOI: 10.1016/j.enconman.2008.06.004
• Groebner, D. F., Shannon, P. W., Fry, P. C., & Smith, K. D. (2001). Business statistics. A Decision making approach, 5.
• Hsu Y., Liu M., Yeh J., Hung H. (2009). Forecasting the turning time of stock market based on Markov–Fourier grey model, Expert Systems with Applications, Expert Systems with Applications, 36(4), pp. 8597-8603. Erişim adresi: https://www.sciencedirect.com/science/article/abs/pii/S095741740800732X
• Iwok, I. A. (2016). Seasonal Modelling of Fourier Series with Linear Trend. International Journal of Statistics and Probability, 5(6), 65-72. Erişim adresi: https://www.researchgate.net/profile/Iberedem_Iwok/publication/309470320_Seasonal_Modelling_of_Fourier_Series_with_Linear_Trend/links/587f219c08aed3826af4776f/Seasonal-Modelling-of-Fourier-Series-with-Linear-Trend.pdf
• Irmak, S., Köksal, C. D., & Asilkan, Ö. (2012). Hastanelerin Gelecekteki Hasta Yoğunluklarının Veri Madenciliği Yöntemleri İle Tahmin Edilmesi. Journal of Alanya Faculty of Business/Alanya Isletme Fakültesi Dergisi, 4(1). Erişim adresi: http://www.acarindex.com/dosyalar/makale/acarindex-1423869108.pdf
• Jalil, N. A. A., Ahmad, M. H., & Mohamed, N. (2013). Electricity load demand forecasting using exponential smoothing methods. World Applied Sciences Journal, 22(11), 1540-1543. DOİ: https://doi.org/10.5829/idosi.wasj.2013.22.11.2891.
• Kotsialos, A., Papageorgiou, M., & Poulimenos, A. (2005). Long‐term sales forecasting using holt–winters and neural network methods. Journal of Forecasting, 24(5), 353-368. DOİ: https://doi.org/10.1002/for.943
• Lewıs, C.D. (1982). “Industrial and Business Forecasting Methods” Londra, Butterworths Publishing.
• Önder, E., & Hasgül Kuvat, Ö. (2009). Yabancı Ziyaretçi Sayısının Tahmininde Box Jenkins Modeli, Winters Yöntemi Ve Yapay Sinir Ağlarıyla Zaman Serisi Analizi (Time Series Analysis with Using Box Jenkins Models and Artificial Neural Network for Forecasting Number of Foreign Visitors). Istanbul University, Business Economy Institute Journal of Management, 62, 62-83. Erişim adresi: http://dspace.balikesir.edu.tr/xmlui/bitstream/handle/20.500.12462/4917/%C3%B6zlem-hasg%C3%BCl.pdf?sequence=1&isAllowed=y.
• Taylor, J. W., & McSharry, P. E. (2007). Short-term load forecasting methods: An evaluation based on european data. IEEE Transactions on Power Systems, 22(4), 2213-2219. Erişim adresi: https://ieeexplore.ieee.org/abstract/document/4349130/.
• Terry S., Business Statistics By Example. USA: Prentice Hall International Editions, fifth edition, 1996.
• Türker E.S., Can E., Bilgisayar Uygulamalı Sayısal Analiz Yöntemleri, Değişim Yayınları, 2.Baskı, 1989.
• Tüzemen, A., & Yıldız, Ç. Holt-Wınters Tahminleme Yöntemlerinin Karşılaştırmalı Analizi: Türkiye İşsizlik Oranları Uygulaması. Atatürk Üniversitesi İktisadi Ve İdari Bilimler Dergisi, 32(1), 1-18. Erişim adresi: https://dergipark.org.tr/en/download/article-file/478061.
• Yohda M., Saito- Arita M., Okada A., Suzuki R., Kakemoto Y., Demand forecasting by the neural network with discrete Fourier transform, IEEE International Conference on Data Mining, 2002. DOİ: https://doi.org/10.1109/ICDM.2002.1184052.