Yapay sinir ağı kullanılarak enerji talebi tahmini ve parabolik oluklu güneş kolektörü uygulama örneği; Kastamonu İli

Abstract

Ekonomik kalkınma, teknolojik gelişmeler ve nüfus artışı, enerji gereksinimlerini daha da artırmaktadır. Bu nedenle, enerji tüketiminin doğru ve güvenilir yöntemlerle öngörülmesi ile uygun enerji üretim yöntemlerinin belirlenmesi, etkin ve sürdürülebilir enerji planlaması açısından büyük önem taşımaktadır. Bu çalışmada görece düşük güneş ışınımına sahip bölgede parabolik oluk güneş kolektörlerin (POGK) uygulanabilirliği incelenmiştir. Amaç— Bu çalışmada; Kastamonu Üniversitesine ait yerleşkenin 2040 yılı enerji talebinin doğru ve güvenilir yöntemlerle belirlenmesi, belirlenen talebin tasarlanan optimum kapasitedeki POGK enerji üretim santralinden karşılanması ve santral enerji verimliliğinin artırılması amaçlanmıştır. Yöntem—Bu çalışmada, yapay sinir ağı (YSA) modellerinin geliştirilmesi amacıyla MATLAB kullanılarak bir yazılım oluşturulmuştur. Çalışma kapsamında geliştirilen tüm Çok Katmanlı Algılayıcı (MLP) modelleri dört katmanlı bir mimariye sahiptir. Giriş katmanındaki nöron sayısı ile gizli katmandaki nöron sayısı 1 ile 10 arasında değiştirilerek toplam 100 farklı YSA modeli elde edilmiştir. Veri setine uygun Box–Jenkins modelinin belirlenmesi amacıyla hem elektrik hem de doğal gaz tüketim verileri için çeşitli modeller geliştirilmiştir. Bu modeller arasından, elektrik tüketim verileri için sabit terim içermeyen ARIMA (3,1,2) modeli; doğal gaz tüketim verileri için ise sabit terim içeren ve doğal logaritmik dönüşüm uygulanmış ARIMA (1,0,0) modeli uygun bulunmuştur. Yerleşkenin enerji talebi, elektrik ve termal enerji üretimini birlikte gerçekleştiren POGK santralinden enerji üretimi yöntemiyle karşılanmıştır. Bulgular—Elektrik ve doğal gaz tüketim verileri için çok katmanlı algılayıcı (MLP) modeli kullanılarak elde edilen Ortalama Mutlak Yüzde Hata (MAPE) değeri %4,33 olarak hesaplanırken, aynı veriler için kurulan ARIMA modelinde bu değer %4,94 olarak bulunmuştur. Her iki veri setinde de daha düşük hata oranlarına sahip olan YSA tabanlı modellerin, ARIMA modellerine kıyasla daha yüksek tahmin doğruluğu sunduğu belirlenmiştir. Elde edilen model sonuçlarına göre, 2040 yılı itibarıyla yerleşkenin elektrik enerjisi talebinin 3.393.349 kWh, doğal gaz talebinin ise 1.094.804 Nm³ düzeyinde olacağı öngörülmektedir. Bu talebin karşılanabilmesi amacıyla, her biri 24 adet POGK’lerinden oluşan toplam 15 modülden meydana gelen bir POGK santrali tasarlanmıştır. Santral, yerleşkenin toplam elektrik enerjisi ihtiyacının tamamını ve ısıl enerji gereksiniminin yaklaşık %52’sini karşılayabilecek kapasitede olduğu belirlenmiştir. Sonuç—POGK sistemi, yenilenebilir enerji kaynaklarının etkin kullanımını destekleyerek enerji arz güvenliğinin artırılmasına yönelik önemli bir çözüm sunmaktadır. Araştırma bulguları, güneşlenme süresinin görece düşük olduğu bölgelerde dahi bu tür sistemlerin hem elektrik hem de termal enerji üretiminde uygulanabilir olduğunu hesaplamalar ve analizler aracılığıyla ortaya koymaktadır.

Keywords

• Enerji tüketimi
• yapay sinir ağı
• parabolik oluk güneş kolektörü
• enerji talebi tahmini

Using artificial neural networks for energy demand prediction and an example of parabolic trough solar collector implementation; Kastamonu Province

Abstract

Economic development, technological advancements, and population growth further intensify energy requirements. For this reason, the accurate and reliable forecasting of energy consumption, as well as the determination of appropriate energy production methods, are of great importance for effective and sustainable energy planning. In this study, the applicability of parabolic trough solar collectors (PTSCs) in a region with relatively low solar irradiance is investigated. Objective— In this study, the energy demand of the Kastamonu University campus for the year 2040 is determined using accurate and reliable methods. The projected demand is supplied by a PTSC power plant designed at optimal capacity, with the aim of enhancing the overall energy efficiency of the plant. Method— In this study, a software tool was developed in MATLAB to construct artificial neural network (ANN) models. All Multilayer Perceptron (MLP) models developed in this study employ a four-layer architecture. By varying the number of neurons in the input and hidden layers from 1 to 10, a total of 100 distinct ANN models were generated. To identify the most suitable Box–Jenkins model for the dataset, several models were developed using both electricity and natural gas consumption data. Among these, an ARIMA (3,1,2) model without a constant term was found to be appropriate for electricity consumption data, while an ARIMA (1,0,0) model with a constant term and a natural logarithmic transformation was determined to be suitable for natural gas consumption data. The campus energy demand was supplied by a PTSC power plant capable of simultaneous electricity and thermal energy generation. Results— Using a MLP model for electricity and natural gas consumption data, the Mean Absolute Percentage Error (MAPE) was calculated as 4.33%, whereas a value of 4.94% was obtained using the ARIMA model applied to the same datasets. For both datasets, ANN-based models exhibited lower error rates and therefore provided higher forecasting accuracy than the ARIMA models. Based on the model results, the campus electricity demand in 2040 is projected to be 3,393,349 kWh, while the natural gas demand is estimated at 1,094,804 Nm³. To meet this demand, a PTSC power plant comprising 15 modules, each containing 24 PTSC units, was designed. The plant was determined to have sufficient capacity to fully meet the campus electricity demand and approximately 52% of its thermal energy requirement. Conclusion— The PTSC system constitutes an effective solution for enhancing energy supply security by promoting the efficient utilization of renewable energy resources. The research findings, supported by detailed calculations and analyses, indicate that such systems are technically feasible for both electricity and thermal energy generation even in regions with relatively low solar irradiation.

Keywords

• Energy consumption
• artificial neural network
• parabolic trough solar collector
• energy demand prediction

References

1. [1] International Energy Agency, “World Energy Outlook 2021” https://iea.blob.core.windows.net/assets/4ed140c1-c3f3-4fd9-acae -789a4e14a23c/WorldEnergyOutlook2021.pdf (24.02.2026).
2. [2] W. Strielkowski, A. Vlasov, K. Selivanov, K. Muraviev, V. Shakhnov, “Prospect and challenges of the machine learning and data-driven methods for predictive analysis of power system: A review”, Energies, 16(10), (2023), 4025.
3. [3] H. G. Reşat, “Design and development of hybrid forecasting model using artificial neural networks and ARIMA methods for sustainable energy management system: A case study in tobacco industry”, Journal of the Faculty of Engineering and Architecture of Gazi University, 35(3), (2020), 1129–1140.
4. [4] S. Arslan, H. Esen, E. Avcı, C. Cengiz, “Modeling a solar power plant with artificial neural networks”, International Journal of Innovative Engineering Applications, 7(2), (2023), 201–206.
5. [5] F. Ascione, N. Bianco, C. De Stasio, G. M. Mauro, G. P. Vanoli, “Artificial neural networks to predict energy performance and retrofit scenarios for any member of a building category: A novel approach”, Energy, 118, (2017), 999–1017.
6. [6] A. Sözen, E. Arcaklioğlu, M. Özkaymak, “Turkey’s net energy consumption”, Applied Energy, 81(2), (2005), 209–221.
7. [7] H. A. Es, F. Y. Kalender, C. Hamzeçebi, “Forecasting the net energy demand of Turkey by artificial neural networks”, Journal of the Faculty of Engineering and Architecture of Gazi University, 29(3), (2014), 495–504.
8. [8] H. Ülkü, Ş. Yalpır, “Enerji talep tahmini için metodoloji geliştirme: 2030 yılı Türkiye örneği”, Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 10(1), (2021), 188–201.

9. [9] G. Şahin, “Doğal gaz talep tahmininin yapay sinir ağları ile modellenmesi: Danimarka örneği”, Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 24(1), (2022), 360–385.
10. [10] C. Turhan, G. Gökçen, T. Kazanasmaz, “Yapay sinir ağları ile İzmir’deki çok katlı binaların toplam enerji tüketimlerinin tahmin edilmesi”, Tesisat Mühendisliği Dergisi, 134, (2013), 61–68.
11. [11] M. Trejo-Perea, G. Herrera-Ruiz, J. Rios-Moreno, R. C. Miranda, E. Rivas-Araiza, “Greenhouse energy consumption prediction using neural networks models”, International Journal of Agriculture and Biology, 11(1), (2009), 1–6.
12. [12] R. Rybár, D. Kudelas, M. Beer, “Selected problems of classification of energy sources – What are renewable energy sources?”, Acta Montanistica Slovaca, 20(3), (2015), 172–180.
13. [13] E. Koç, K. Kaya, “Enerji kaynakları – Yenilenebilir enerji durumu”, Mühendis ve Makina, 56(668), (2015), 36–47.
14. [14] İ. İnan, İ. Akbulut, E. Aslan, “Enerji sorununun çözümünde yenilenemez ve yenilenebilir enerji kaynaklarının yeri ve önemi”, Türk Dünyası Araştırmaları, 120(237), (2018), 11–40.
15. [15] Ege Üniversitesi, “Yenilenebilir Enerji Kaynakları”, https://eusolar.ege.edu.tr/tr-3482/yenilenebilir-enerji-kaynaklari.html (24.02.2026).
16. [16] G. İşler, “Parabolik oluk kollektörleri ve merkezi alıcılı güneş kuleleri ile enerji üretim analizi ve uygulaması”, Yüksek Lisans Tezi, Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Enstitüsü, Bilecik, Türkiye, 2018.
17. [17] D. Kılıç, “Parabolik oluk tipi güneş toplayıcılı güç santralinin YSA tabanlı optimizasyonu: Bilecik uygulaması,” Yüksek Lisans Tezi, Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Enstitüsü, Bilecik, Türkiye, 2019.
18. [18] O. Köleoğlu, “Parabolik güneş kollektörleri tasarımında havanın farklı akış şartlarında enerji verimliliği üzerine etkileri ve optimizasyonu”, Yüksek Lisans Tezi, Giresun Üniversitesi Fen Bilimleri Enstitüsü, Giresun, Türkiye, 2020.
19. [19] A. Özcan, “Parabolik oluk tipi güneş enerji sistemlerinin sıcak su üretiminde kullanılabilirliği”, Yüksek Lisans Tezi, Dicle Üniversitesi Fen Bilimleri Enstitüsü, Diyarbakır, Türkiye, 2021.
20. [20] M. Er, “Parabolik yansıtıcılı kompakt güneş kollektörü tasarımı ve hibrit çalışma durumunda ısıl performansının fuzzy logic yöntemi ile iyileştirilmesi”, Yüksek Lisans Tezi, Erciyes Üniversitesi Fen Bilimleri Enstitüsü, Kayseri, Türkiye, 2022.
21. [21] P. D. Tagle, A. Agraz, C. I. Rivera, “Study of applications of parabolic trough solar collector technology in Mexican industry”, Energy Procedia, 91, (2016), 661–667.
22. [22] H. Liang, C. Zheng, W. Zheng, S. You, H. Zhang, “Analysis of annual performance of a parabolic trough solar collector”, Energy Procedia, 105, (2017), 888–894.
23. [23] Z. Leemrani, S. Marrakchi, H. Asselman, A. Asselman, “The study of the performance of a parabolic trough collector in the region of north-west of Morocco”, Procedia Manufacturing, 22, (2018), 780–787.
24. [24] T. A. Yassen, “Experimental and theoretical study of a parabolic trough solar collector”, Anbar Journal for Engineering Sciences, 5(1), (2012), 109–125.
25. [25] Ü. Kaya, M. Caner, Y. Oğuz, “Rüzgar türbin modelleri kullanılarak Kastamonu ili rüzgar ile elektrik üretim potansiyeli tahmini”, Technological Applied Sciences, 11(3), (2016), 65–74.
26. [26] H. G. Güleç, H. Demirel, “Meteorolojik veriler kullanılarak Kastamonu ili güneşlenme şiddetinin yapay sinir ağı ile tahmini”, Technological Applied Sciences, 12(3), (2017), 114–121.
27. [27] Y. Yetişken, E. Arslanel, İ. Ekmekçi, M. Temur, N. Şadoğlu, “Biyogaz tesisi için Orta Karadeniz’de hayvansal atık üzerine bir etüt”, International Integrated Pollution Prevention and Control Symposium, Karabük, Türkiye, 01–03 April 2021.
28. [28] G. Şanlı, “Parabolik oluk tipi güneş kollektörlerinin teorik olarak incelenmesi”, Yüksek Lisans Tezi, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü, Denizli, Türkiye, 2010.
29. [29] Yeni Enerji, “Güneş Enerjisi ve Kullanım Alanları,” https://www.yenienerji.com/gunes-enerjisi-ve-kullanim-alanlari (24.02.2026).
30. [30] D. Y. Goswami, Principles of Solar Engineering, Boca Raton, FL, USA, CRC Press, 2015.
31. [31] A. Dündar, “Parabolik güneş kollektörlerinin gri ilişkiler yöntemine dayalı optimizasyonu”, Yüksek Lisans Tezi, Bursa Uludağ Üniversitesi Fen Bilimleri Enstitüsü, Bursa, Türkiye, 2022.
32. [32] E. Bellos, C. Tzivanidis, “Analytical expression of parabolic trough solar collector performance”, Designs, 2(1), (2018), 9.
33. [33] C. Cicibıyık, “Parabolik oluk tipi güneş kollektörü ile enerji üretimi”, Yüksek Lisans Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara, Türkiye, 2012.
34. [34] A. Ahmad, O. Prakash, R. Kausher, G. Kumar, S. Pandey, S. M. M. Hasnain, “Parabolic trough solar collectors: A sustainable and efficient energy source”, Materials Science for Energy Technologies, 7, (2024), 99–106.
35. [35] M. J. Taha, F. B. Kibret, V. Ramayya, B. A. Zeru, “Design and evaluation of solar parabolic trough collector system integrated with conventional oil boiler”, Archives of Electrical Engineering, 70(3), (2021), 657–673.
36. [36] International Energy Agency, “Solar Energy: Mapping the Road Ahead”, https://www.iea.org/reports/solar-energy-mapping-the-road-ahead (24.02.2026).
37. [37] B. Cemek, S. Karaman, A. Ünlükara, “Tokat yöresinde seraların iklimlendirme gereksinimleri”, Gaziosmanpaşa Üniversitesi Ziraat Fakültesi Dergisi, 23(1), (2006), 25–36.
38. [38] A. S. Alsagri, “Energy performance enhancement of solar thermal power plants by solar parabolic trough collectors and evacuated tube collectors-based preheating units”, International Journal of Energy Research, 44(8), (2020), 6828–6842.
39. [39] F. A. Al-Sulaiman, “Exergy analysis of parabolic trough solar collectors integrated with combined steam and organic Rankine cycles”, Energy Conversion and Management, 77, (2014), 441–449.
40. [40] Çevre, Şehircilik ve İklim Değişikliği Bakanlığı, “Resmi İklim İstatistikleri”, https://mgm.gov.tr/veridegerlendirme/il-ve-ilceler-istatistik.aspx?k=&m=KASTAMONU (24.02.2026).