Destek Vektör Makineleri ve Türkiye’deki Enerji Santrallerinde Doğal Gaz Tüketimi Üzerine Bir Uygulama

Year 2020, Volume: 24 Issue: 2, 411 - 418, 26.08.2020

Gizem Meral , Sinan Saraçlı

https://doi.org/10.19113/sdufenbed.684257

Abstract

Bu çalışmanın amacı, destek vektör makinelerinde regresyon yöntemini kullanarak Türkiye'deki enerji santrallerinin doğalgaz tüketimi üzerine ön kestirim yapmaktır. Bu amaçla, veri seti 2013-2018 yılları arasında Türkiye Enerji Piyasası Düzenleme Kurumu ve Enerji İşleri Genel Müdürlüğünden elde edilmiştir. Bu çalışmada ilk olarak, Türkiye'de doğalgazın enerji piyasasındaki yeri, birincil enerji kaynakları içindeki payı, üretim, tüketim, ithalat ve ihracat değerleri incelenmiştir. Bu değerlerin ölçümündeki farklılıklardan dolayı, ilgili veri seti istatistiksel analizden önce standartlaştırılmıştır. Enerji santralleri tüketimi bağımlı değişken iken; sanayi tüketimi, şehir tüketimi, üretim, ithalat ve ihracat değerleri bağımsız değişken olarak belirlenmiştir. Destek Vektör Regresyonda kullanılan tüm kernel fonksiyonları (Doğrusal, Polinomiyal, Radyal Tabanlı Fonksiyon (RTF) ve Sigmoid) test edilmiştir. En küçük Hata Kareler Ortalaması (HKO)'na sahip olan RTF tahmin kernel fonksiyonu olarak seçilmiştir. Daha sonra, destek vektörler, ağırlıklar ve karar sabiti belirlenmiştir. Ağırlıklar ve destek vektörler çarpılıp sapma eklenerek, son model elde edilmiştir. Son model yardımıyla da Mayıs-Aralık 2018 için Türkiye'deki enerji santrallerinin doğalgaz tüketimlerine ait önkestirimler yapılmıştır. Sonuçlar ilgili tablolarda gösterilmiştir.  

Keywords

Destek vektör makineleri, Destek vektör regresyon, Çekirdek fonksiyonları

Supporting Institution

Afyon Kocatepe Üniversitesi BAPK

Project Number

18.FEN.BIL.15

Thanks

Bu makalenin oluşmasına katkı sağlayan Afyon Kocatepe Üniversitesi BAPK'ne teşekkürlerimizi sunarız.

Support Vector Machines and an Application on Natural Gas Consumptions of Power Plants in Turkey

Abstract

The aim of this study is to forecast the natural gas consumptions of power plants in Turkey via support vector machines regression method. With this aim the data set is obtained from Turkey's Energy Market Regulatory Authority and Energy Affairs General Directorate between the years 2013-2018. In this study, first of all, the place in Turkish market, ratio within the primary energy sources, production, consumption, import and export values of natural gas, as a power supply is examined. Because of the differences in measurements of these values, the related data set is standardized before the statistical analysis. While, the consumption in energy plants is considered as a dependent variable, industrial consumption, city consumption, production, import and export values are considered as independent variables. All types of Kernel functions (Linear, Polynomial, Radial Basis Function (RBF) and Sigmoid) in Support Vector Regression are tested. RBF is chosen as the forecasting Kernel function because of having the minimum Mean Square Error (MSE). Then, support vectors, weights and decision constants are determined. By multiplying weights with support vectors and adding the bias, the final model is obtained. By the help of final model, forecasts of natural gas consumption of power plants in Turkey, for May-December 2018 are obtained. The results are given in related tables and figures.

Keywords

Support vector machines, Support vector regression, Kernel functions

Project Number

18.FEN.BIL.15

References

• [1] Anonim, 2012. Doğal Gaz Piyasası Sektör Raporu. EPDK, Ankara. https://www.epdk.org.tr/Detay/Icerik/3-0-94-1007/dogal-gazyillik-sektor-raporu (Erişim Tarihi: 05.04.2019).
• [2] Kaynar, O., Taştan, S., Demirkoparan, F. 2011. Yapay Sinir Ağları ile Doğal Gaz Tüketim Tahmini. Atatürk Üniversitesi İİBF Dergisi, 10. Ekonometri ve İstatistik Sempozyumu Özel Sayısı, 463-474.
• [3] Aras, H., Aras, N. 2002. Konutsal Doğal Gaz Tüketimi Tahmini. Mühendis ve Makine Dergisi, 46 (540), 20-27.
• [4] Akgül, S. 2013. Doğal Gaz Tüketim Tahmini. Sosyal ve Beşeri Bilimler Dergisi, 5 (1), 440-452.
• [5] TDK. http://tdk.gov.tr/index.php?option=com_gts&arama=gts&kelime=zek%C3%A2&uid=58140&guid=TDK.GTS.5901a6b63382e6.22318161 (Erişim Tarihi: 08.04.2019).
• [6] Yiğit, P. 2011. Yapay Sinir Ağları ve Kredi Taleplerinin Değerlendirilmesi Üzerine Bir Uygulama. İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, 134s, İstanbul.
• [7] Kaytez, F. 2012. En Küçük Kareler Destek Vektör Makineleri İle Türkiye'nin Uzun Dönem Elektrik Tüketim Tahmini ve Modellenmesi. Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 129s, Ankara.
• [8] Arat, M. 2014. Destek Vektör Makineleri Üzerine Bir Çalışma. Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 98s, Ankara.
• [9] Alpaydın, E. 2010. Yapay Öğrenme. 2.Baskı, Boğaziçi Üniversitesi Yayınevi. İstanbul, 486s.
• [10] İstatistiksel Öğrenme ve Makine Öğrenme Arasındaki Fark.https://www.veribilimi.co/makine-ogrenmesi-ile-istatistiksel-ogrenme-arasinda-ne-fark-var/ (Erişim Tarihi:22.06.2019).
• [11] Bilişik, M.T. 2011. Destek Vektör Makinesi, Çoklu Regresyon ve Doğrusal Olmayan Programlama ile Perakendecilik Sektöründe Gelir Yönetimi İçin Dinamik Fiyatlandırma. İstanbul Kültür Üniversitesi, XI. Üretim Araştırmaları Sempozyumu, 23-24 Haziran, İstanbul, 785-799.
• [12] Uçak, K. 2012. Destek Vektör Regresyonu ile Pid Kontrolör Tasarımı. İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 89s, İstanbul.
• [13] Çomak, E. 2008. Destek Vektör Makinelerinin Etki Eğitimi İçin Yeni Yaklaşımlar. Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 118s, Konya.
• [14] Kuzey, C. 2012. Veri Madenciliğinde Destek Vektör Makineleri ve Karar Ağaçları Yöntemlerini Kullanarak Bilgi Çalışanlarının Kurum Performansı Üzerine Etkisinin Ölçülmesi ve Bir Uygulama. İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü, Doktora Tezi, 318s, İstanbul.
• [15] UDEMY. https://www.udemy.com/veri-bilimi-ve-makine-ogrenmesi-egitimi/learn/v4/t/lecture/13064922?start=75 (Erişim Tarihi: 23.04.2019).
• [16] Osuna, E.E, Freund, R.,Girosi, F. 1997. SupportVectorMachines: Training and Applications. Massachusetts Institute of TechnologyandArtificialIntelligenceLaboratoryand Center ForBiologicalandComputationalLearninigDepartment of Brain andCognitiveSciences, 1605 (144), 2-31.
• [17] Bican, B. 2014. Zaman Serilerinin Öngörüsü İçin GKA Tabanlı DVR Metodları. İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 79s, İstanbul.
• [18] Yu, P.S.,Chen, S.T., Chang, F. 2016. SupportVectorRegressionFor Real-Time FloodStageForecasting. Journal of Hydrology, 328 (3-4), 704-716.
• [19] Haykin, S. 2001. Neural Networks: A Compherensive Foundation. Second Edition, PearsonEducation Publishing. Indıa, 818s.
• [20] Gunn, S.R. 1998. Support Vector Machines for Classification and Regression. Technial Report http://ce.sharif.ir/courses/85-86/2/ce725/resources/root/LECTURES/SVM.pdf (Erişim Tarihi: 15.04.2019).
• [21] Kor, K. 2015. Penetration Rate Optimization withSupport Vector Regression Method. Istanbul Technical University, Graduate School of Science Engineering and Technology, M.Sc. Thesis, 209s, İstanbul.
• [22] Model Belirleme Kriterleri. http://www.acikders.org.tr/pluginfile.php/2616/mod_resource/content/2/ekonometri2-tuba (Erişim Tarihi: 26.03.2019).
• [23] Fabozzi, F.J.,Focardi, S.M., Rachev, S.T. Arshanpalli, B.G. 2014. The Basics of Financial Econometrics: Tools, ConceptsandAsset Management Applications. First Published, John Wiley&Sons, Inc. Published. New York, 448s.
• [24] Liddle, A.R. 2007. Information CriteriaForAstrophysical Model Selection. MonthlyNotices of the Royal Astronomical Society:Letters, 377 (1), 71-76.
• [25] Burnham, K.,Anderson, D. 2002. Model SelectionandMultimodelInference a Practical Information-TheoreticApproach. Second Education, Springer-Verlag. New York, 485s.
• [26] Performans Fonksiyonları. https://veribilimcisi.com/2017/07/14/mse-rmse-mae-mape-metrikleri-nedir/ (Erişim Tarihi: 28.03.2019).
• [27] Cătuţi, M., Egenhofer, C., and Elkerbout M. 2019. The future of gas in Europe: Review of recent studies on the future of gas. Research Report No. 2019/03, https://www.ceps.eu/wp-content/uploads/2019/08/RR2019-03_Future-of-gas-in-Europe.pdf (Erişim Tarihi: 29.03.2020).
• [28] Yalçın, C. 2016. Destek Vektör Regresyon İle Uçaklarda Anlık Yakıt Tüketiminin Analizi. Mimar Sinan Güzel Sanatlar Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 141s, İstanbul.
• [29] Topçu, G.Y. 2013. Türkiye Doğalgaz Tahmini. Ankara Üniversitesi, Sosyal Bilimler Enstitüsü, Yayınlanmamış Yüksek Lisans Tezi, Ankara.