Energy Consumption Forecasting Model in a Food Company with Statistical Methods

Abstract

In recent years, some enterprises are generating the energy they need to reduce their energy supply costs. The ideal energy supply plan for enterprises provides more accurate decisions for energy companies on the specific issues such as commitment, production and maintenance planning and enterprises are leading to prevent production losses caused by energy cuts. Nowadays, some enterprises produce some part of the energy they need to reduce their energy supply costs. However, especially in food industry which they produce seasonal products, the amount of produced energy is sufficient for low seasons, while it is insufficient for high seasons; since the capacity of production varies widely between seasons. When the amount of energy produced is not sufficient, the national distribution companies have supplied the energy demand for those enterprises. In this study, a statistical model to forecast energy consumption in a food  processing company with seasonal different production capacities , which tries to minimize total energy production and supply cost is presented, and the results have been analyzed. . The parameters, effects  the energy consumption are determined, and they have proceeded with a statistical method to explain the relationship between those parameters and the amount of energy consumption. Since the presented model requires daily data, energy consumption forecasting  is performed by using  statistical model depending on the possible changes in daily production quantities The presented  model reduces the the uncertainty associated with the amount of energy consumption for the food processing company. Moreover, the company will be able to develop different energy supply strategies for energy supply agreements by using the developed energy consumption forecasting model.

Keywords

• Energy consumption forecasting model,Energy efficiency,Quantile regression

İSTATİSTİKSEL YÖNTEMLERLE BİR GIDA İŞLETMESİNDE ENERJİ TÜKETİM TAHMİN MODELİ

Abstract

Günümüzde bazı işletmeler enerji tüketim maliyetlerini düşürmek için ihtiyacı olan enerjinin bir miktarını kendisi üretmektedir. Ancak özellikle mevsimsel ürün üretimi gerçekleştiren gıda işletmelerinde, üretim kapasitesinin mevsimler arasında yüksek değişkenlik göstermesi nedeniyle, üretilen enerji miktarı üretimin az olduğu dönemlerde yeterli olurken, üretimin yoğun olduğu dönemlerde yeterli olmamaktadır. Üretilen enerji miktarının yeterli olmaması durumunda, enerji ihtiyacı, ulusal dağıtım firmalarından tedarik edilmektedir. Bu çalışmada dönemsel farklı üretim kapasitesine sahip bir gıda işletmesi için, işletmenin toplam enerji tüketim miktarını tahmin eden istatistiksel bir model geliştirilmiş ve sonuçlar analiz edilmiştir. Çalışmada öncelikle enerji tüketim miktarını etkileyen parametreler belirlenmiş ve bu parametrelerin enerji tüketim miktarı ile ilişkisini ortaya çıkaran sayısal bir yöntem geliştirilmiştir. Çalışmada geliştirilen modelde günlük üretim miktarlarındaki olası değişime bağlı olarak enerji tüketim tahmini istatistiksel yöntemlerle gerçekleştirilmekte, bu durum da işletme için enerji tedarik miktarı ile ilişkili belirsizliği azaltmaktadır. Ayrıca, işletme geliştirilen enerji tüketim tahmin modelini kullanarak, ileride yapacağı enerji tedarik anlaşmalarında farklı tedarik stratejileri de geliştirebilecektir.

Keywords

• Enerji tüketim tahmin modeli,Enerji verimliliği,Kantil Regresyon

References

1. Altındağ,İ.,(2010), “Quantile Regresyon ve Bir Uygulama”, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü,İstatistik Bölümü, Yüksek Lisans Tezi, Konya.
2. Altındağ,İ.,(2010), “Quantile Regresyon ve Bir Uygulama”, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü,İstatistik Bölümü, Yüksek Lisans Tezi, Konya.
3. Badri,A.,Ameli,Z.,Birjandi,A.M., (2012), “Application of Artificial Neural Networks and Fuzzy Logic Methods for Short Term Load Forecasting”.Energy Procedia, 14. doi.org/10.1016/j.egypro.2011.12.1183
4. Chai, J., Lai,K.K., Lu, Q.Y.,Wang, S.Y., (2016), “Analysis of road transportation energy consumption demand in China”, Energy,pp.112-124. doi.org/10.1016/j.trd.2016.08.009
5. Elmalı, K.,(2014), “Kantil Regresyon ve Negatif Binomial Regresyon İle İllerde Kullanılan İlaç Sayısına Etki Eden Faktörlerin İncelenmesi”, Atatürk Üniversitesi, Sosyal Bilimler Enstitüsü, Ekonometri Bölümü, Yüksek Lisans Tezi, Erzurum.
6. Fumon,N.,RafeBiswas,M.A.,(2015), “Regression Analysis For Prediction Of Residential Energy Consumption” , Renewable And Sustainable Energy Reviews,47,pp. 332–343. doi.org/10.1016/j.rser.2015.03.035
7. Hagfors, L.I.,Bunn,D., Kristoffersen, E., Staver, T.T.,Westgaard, S., (2016), “Modeling The UK Electricity Price Distributions Using Quantile Regression”, Energy, 102, pp. 231-243. doi.org/10.1016/j.energy.2016.02.025
8. Hamzaçebi, C., Kutay, F. (2004), “Yapay Sinir Ağları ile Türkiye Elektrik Enerjisi Tüketiminin 2010 Yılına Kadar Tahmini”, Gazi Üniv Müh Mim Fak Der, 19 (3), s.227-233.

9. Hsu, C.,Chen, C.,(2003), “Regional Load Forecasting in Taiwan––Applications of Artificial Neural Networks”, Energy Conversion and Management, 44, pp.1941–1949. doi.org/10.1016/S0196-8904(02)00225-X
10. Kialashaki, A., Reisel, J.R., (2014), “Development And Validation Of Artificial Neural Network Models Of The Energy Demand In The Industrial Sector Of The United State”, Energy, 76,pp. 749-760. doi.org/10.1016/j.energy.2014.08.072
11. Kutlar,A.,(2009), Uygulamalı Ekonometri,3.Baskı, Nobel Yayınları, Ankara.
12. Li, Z., Hurn, A.S., Clements, A.E., (2017), “Forecasting Quantiles Of Day-Ahead Electricity Load”, Energy Economics, 67 September 2017, pp.60–7. doi.org/10.1016/j.eneco.2017.08.002
13. Niu, S., Jia, Y., Ye, L., Dai, R., Li, N., (2016), “ Does Electricity Consumption Improve Residential Living Status In Less Developed Regions? An Empirical Analysis Using The Quantile Regression Approach”, Energy,95, pp.550-560. doi.org/10.1016/j.energy.2015.12.029
14. Pino-Mejías, R. , Perez-Fargallo, A. , Rubio-Bellido, C. , Pulido-Arcas, C., (2017), “Comparison of linear regression and artificial neural networks models to predict heating and cooling energy demand, energy consumption and CO2 emissions” , Energy 118, pp. 24-36. doi.org/10.1016/j.energy.2016.12.022
15. Wang,S., Yu, Y., Zou,Z.,(2018), “Statistical regression modeling for energy consumption in wastewater treatment”, Journal of Environmental Sciences. doi.org/10.1016/j.jes.2018.03.023