Düzce İli İçin Elektrik Enerjisi Tüketim Tahmini ve Analizi

Yıl 2025, Cilt: 20 Sayı: 77 , 133 - 157 , 31.01.2025

İrem Düzdar , İlayda Nur Taşcı

https://doi.org/10.19168/jyasar.1284302

https://izlik.org/JA23KM54NC

Öz

Bu çalışmanın amacı, Türkiye'nin Düzce ili için elektrik enerjisi tüketim değerleri için tahmin modelleri oluşturmaktır. Kasım 2019 ile Ekim 2021 arasında Düzce ili elektrik enerjisi tüketimi için tahmin modellerinin kurulduğunu ve analiz edildiğini kanıtlıyoruz. Veri setini oluşturmak için veriler EPİAŞ'tan aylık olarak alındı. Veriler 12 ay ve 24 ay olmak üzere iki dönemde analiz edildiğinden ve mevsimsellik içerdiğinden tahmin modeli olarak En Küçük Kareler Yöntemi ile Fourier Analizi ve Winters Yöntemi tercih edilmiştir. Modeller arasında mutlak hata yüzdelerinin değerlendirilmesi, Fourier analizinin Winters tönteminden daha kötü performans gösterdiğini ortaya koymaktadır. Çarpımsal bir model olan Winters metodu, elektrik enerjisi tüketim tahmin modelinin oluşturulmasında daha iyi performans göstermektedir. Elde edilen verilere göre iki yöntem arasındaki mutlak kare hataları farkı 0,0073 olarak bulunmuştur. İki tahmin modeli birbiri arasında anlamlı bir farklılık göstermese de, analiz sonuçları Düzce ili için Kasım 2019 ile Ekim 2021 arasındaki elektrik tüketim talebi tahmininde daha iyi sonuçlar verdiği için Kışlar Yönteminin daha çok tercih edildiğini göstermektedir. Bu sonuç, Düzce ili için gelecekte elektrik tüketim tahmin modellerinin oluşturulmasında Winters Yönteminin en küçük kareler yöntemi ile Fourier analizinden daha iyi performans göstereceğini gösteren bir örnek olarak kullanılabilir.

Anahtar Kelimeler

Enerji tüketimi , Tahminleme , Winters’ yöntemi , Fourier Analizi , Zaman Serileri

Electric Energy Consumption Forecast And Analysis For Duzce Province

https://izlik.org/JA23KM54NC

Öz

The aim of this study is to create the estimation models for the electrical energy consumption values for Duzce province of Turkey. It is proven that estimation models were established and analysed for the electrical energy consumption of Duzce between November 2019 and October 2021. The data was obtained monthly from EPİAŞ to create the dataset. Since the data analysed in two periods and contain seasonality, namely 12 months and 24 months, Fourier Analysis with the Least Squares Method and Winters’ Method were preferred as the estimation model. The evaluation of the Absolute Error Percentages (MAPE) between the models reveal that the Fourier Analysis shows performs poorer than the Winters' Method. The Winters’ Method, which is actually a multiplicative model, gives a better performance in establishing an electrical energy consumption estimation model. According to the data obtained, the difference in absolute square errors between the two methods was found to be 0.0073. Even though the two estimation models don’t present a significant difference among each other, the analysis results show that the Winters’ Method is more preferable considering it gives better results in the electricity consumption demand estimation between November 2019 and October 2021 for Duzce province. This result can be used as an example showing that Winters' Method will outperform the Fourier Analysis with LS Method in establishing electricity consumption estimation models in the future for Duzce province.

Anahtar Kelimeler

Energy consumption , Estimation , Winters , Fourier Analysis , Time Series

Kaynakça

• EXIST Transparency Platform. (n.d.). Gerçekleşen tüketim - yüzdesel tüketim. https://seffaflik.epias.com.tr/transparency/tuketim/gerceklesen-tuketim/yuzdesel-tuketim-information.xhtml
• Haliloğlu, E. Y., & Tutu, B. E. (2018). Türkiye için kısa vadeli elektrik enerjisi talep tahmini. Yaşar Üniversitesi E-Dergisi, 13(51), 243–255.
• 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.
• Almeshaiei, E., & Soltan, H. (2011). A methodology for electric power load forecasting. Alexandria Engineering Journal, 50(2), 137–144.
• Bolturk, E. (2013). Comparison of methods used in electricity demand estimation [Master’s thesis, Istanbul Technical University].
• Yalcinoz, T., Karadeniz, Y., & Yücel, İ. (1991). Electric load estimation for Niğde Region [Research report, Niğde University].
• Özkan, E., Güler, E., & Aladağ, Z. (2020). Elektrik enerjisi tüketim verileri için uygun tahmin yöntemi seçimi. Endüstri Mühendisliği, 31(2), 198–214.
• Çelik, C. (2015). Modeling of air temperature forecast with ANFIS method [Master’s thesis, Kocaeli University].
• Bilgen, M. (2018). Modeling of Turkish electricity consumption with genetic algorithm and ANFIS [Master’s thesis, Osmaniye Korkut Ata University].
• İpek, B. (2019). Comparison of ANFIS and ARIMA models and Industry 4.0 data [Master’s thesis, Karadeniz Technical University].
• Li, W., Tian, Y., & Yuan, R. (2023). Statistical analysis of a linear regression model with restrictions and superfluous variables. Journal of Industrial and Management Optimization, 19(5), 3107–3127.
• Ok, Y. (2010). Medium term electricity demand forecast in Turkey with Adaptive Neural Fuzzy Inference System (ANFIS) [Master’s thesis, Gazi University].
• Bertolazzi, E., Falini, A., & Mazzia, F. (2022). The object oriented C++ library QIBSH++ for Hermite spline quasi interpolation. arXiv. https://arxiv.org/abs/2208.03260
• Doğan, O. (2012). The use of neural network based fuzzy logic method (ANFIS) in demand forecasting and a comparative application with the lean artificial neural network method [Master’s thesis, Dokuz Eylül University].
• Akpınar, M. (2017). Estimation of energy consumption with statistics and artificial intelligence techniques: Application of Sakarya natural gas consumption [Master’s thesis, Sakarya University].
• Yıldırım, V. (2019). İstatistiksel veri madenciliği teknikleri ile kamu alımları sektöründe satış tahmini [Master’s thesis, institution not provided].
• Es, H. A. (2013). Turkey net energy demand estimation with artificial neural networks [Master’s thesis, Gazi University].
• Kıran, B. (n.d.). Time series analysis. İstanbul Üniversitesi Açık ve Uzaktan Eğitim Fakültesi. http://auzefkitap.istanbul.edu.tr/kitap/ekonometri_ue/zamanserilerianalizi.pdf
• Alma, Ö. G., & Vupa, Ö. (2008). Comparison of least squares and least median squares methods used in regression analysis. SDU Faculty of Science and Letters Journal of Science (e-journal), 3(2), 219–229.
• What is Fourier analysis? (n.d.). TechTarget. https://whatis.techtarget.com/definition/Fourier-analysis
• Türker, E. S., & Can, E. (1997). Computer applied numerical analysis methods (pp. 234–240).
• Pleños, M. C. F. (2022). Time series forecasting using Holt-Winters exponential smoothing: Application to abaca fiber data. Problems of World Agriculture, 22(2), 17–29. https://doi.org/10.22630/PRS.2022.22.2.6
• RapidMiner. (n.d.). Holt-Winters Trainer. https://docs.rapidminer.com/9.8/studio/operators/modeling/time_series/forecasting/holt-winters_trainer.html
• Analytics Vidhya. (n.d.). A thorough introduction to Holt-Winters forecasting. https://medium.com/analytics-vidhya/a-thorough-introduction-to-holt-winters-forecasting-c21810b8c0e6
• Veribilimcisi. (2017, July 14). MSE, RMSE, MAE, MAPE metrics nedir? https://veribilimcisi.com/2017/07/14/mse-rmse-mae-mape-metrics-nedir/
• Bilgitara. (2022, January 5). Değişim katsayısı (varyasyon katsayısı) nedir? https://bilgitara.com/degisim-katsayisi-varyasyon-katsayisi-nedir/
• Microsoft. (2019). Excel help and support. https://support.microsoft.com/en-TR/excel
• Minitab. (2019). Minitab® 19.1 support. https://support.minitab.com/en-US/minitab/19.1/software-id/0
• EViews. (n.d.). Learning resources – EViews 12. http://www.eviews.com/Learning/index.html
• İstmer. (n.d.). Aykırı değer tespitinde aritmetik ortalama ve medyan değerlerin incelenmesi. https://www.istmer.com/aykiri-deger-tespiti-ortalama-medyan/