TÜRKİYE’NİN YENİLENEBİLİR ENERJİ KAYNAKLARININ 2030 YILINA KADAR TAHMİNİ

Yıl 2021, Cilt: 2 Sayı: 2, 288 - 313, 30.06.2021

Mustafa Güllü Zeki Kartal

https://doi.org/10.52835/19maysbd.849978

Cited By: 3

Öz

Yenilenebilir enerji teknolojisindeki gelişmeler sonucunda konvansiyonel enerji maliyeti ile rekabet edecek hale gelmeye başlayan yenilenebilir enerjinin geleceği son yıllarda ilgi çekici bir konu haline gelmiştir. Birleşmiş Milletler Sürdürülebilir Kalkınma hedeflerinin 2030 yılı için belirlenmesi, Türkiye’nin 30 Eylül 2015 tarihinde Paris Anlaşmasına sunduğu ve 2021-2030 dönemini içeren Niyet Edilen Ulusal Katkı Beyanında sera gazı azaltım, güneş, rüzgar ve hidrolik gibi yenilenebilir enerjiden elde edilecek elektrik üretimleri hedefleri olduğu için 2030 yılı kritik bir yıl olarak görüldüğünden dolayı çalışmada tahmin yılı olarak 2030 yılı seçilmiştir. Makalede yenilenebilir enerji türlerinin ayrı ayrı kurulu güçlerinin 2030 yılı için tahminlemesi Box-Jenkins ARIMA metodolojisi kullanılarak yapılmış olup 2030 yılı istihdam tahmini ise elektronik tablo tabanlı bir model olan JEDI modeli (İstihdam ve Ekonomik Kalkınma Etkisi) ile gerçekleştirilmiştir. Sonuç olarak Türkiye’nin Niyet Edilen Ulusal Katkı Beyanında hidrolik enerji ve güneş enerjisi hedefine ulaşacağı ve rüzgar enerjisi hedefine de çok yaklaşılacağı öngörülmüş olup hedefe ulaşılabilmesi için rüzgar enerjisi yatırımlarının ve teşviklerinin biraz daha artırılması gerektiği sonucuna ulaşılmıştır. Bununla birlikte Türkiye’de tüm yenilenebilir enerji türlerinin kurulu güçlerinin zamanla artış göstereceği ve 2030 yılında yenilenebilir enerji santralleri içinde en çok istihdam yaratacağı tahmin edilen enerji türünün Hidrolik enerji, ikinci sırada güneş enerjisi ve üçüncü sırada ise rüzgar enerjisi olacağı öngörülmüştür.

Anahtar Kelimeler

Yenilenebilir Enerji Kaynakları, Öngörü, ARIMA

Destekleyen Kurum

Yok

FORECASTING OF TURKEY’S RENEWABLE ENERGY SOURCES UP TO YEAR 2030

Öz

The future of renewable energy, which has begun to compete with conventional energy as a result of recent developments, has become an interesting issue in recent years. Since the United Nations Sustainable Development goals are determined for 2030 and Turkey has offered to the Paris Convention of 30 September 2015 the targets for electricity generation from renewable energy for the 2021-2030 period in the Intended National Determined Contribution, the forecast year was chosen as 2030. In the study, the 2030 estimation of the installed capacities of each renewable energy types was made using the Box-Jenkins ARIMA methodology, and the 2030 employment estimation was made with the JEDI model (Jobs and Economic Development Impact), which is a spreadsheet-based model. As a result; Turkey's hydroelectric power and solar energy will reach Intended National Determined Contribution’s target and wind energy is expected to be much closer. In addition, it was concluded that wind energy investments and incentives should be increased a little more in order to reach the target. However, the installed capacity is expected to increase over time of all types of renewable energy in Turkey. It is predicted that the energy types that are expected to create the most employment among renewable energy plants in 2030 will be hydraulic energy, solar energy and wind energy, respectively.

Anahtar Kelimeler

Renewable Energy Sources, Forecasting, ARIMA

Kaynakça

• Altan, Ş. ve Ediz, A. (2009). Girdi Katsayılarının Güncellenmesi İçin RAS ve Hedef Programlama Modellerinin Kullanımı. Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 11(3), 79-92.
• Akan, Y., & Tak, S. (2003). Türkiye Elektrik Enerjisi Ekonometrik Talep Analizi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 17(1-2).
• Akay, D., & Atak, M. (2007). Grey prediction with rolling mechanism for electricity demand forecasting of Turkey. Energy, 32(9), 1670-1675.
• Blazejczak, J., Braun, F. G., Edler, D., & Schill, W. P. (2014). Economic effects of renewable energy expansion: A model-based analysis for Germany. Renewable and sustainable energy reviews, 40, 1070-1080.
• Bozkurt, H. Y. (2013). Zaman Serileri Analizi, Genişletilmiş 2. Baskı, Ekin Basım Yayın Dağıtım, Bursa.
• Chen, J., Yu, J., Song, M., & Valdmanis, V. (2019). Factor decomposition and prediction of solar energy consumption in the United States. Journal of Cleaner Production, 234, 1210-1220.
• Demircan, Z. (2013). “What Energy Mix For Turkey in 2030”. T.C. Enerji ve Tabii Kaynaklar Bakanlığı, Enerji İşleri Genel Müdürlüğü, 26 Mart 2013, Ankara, http://events.ewea.org/events/workshops/wp-content/uploads/2013/03/EWEA-TUREB-Workshop-27-3-2013-Zafer-Demircan.pdf (Erişim Tarihi, 25.04.2020).
• Dikmen, N. (2009). Ekonometri Temel Kavramlar ve Uygulamalar (1.baskı). Ankara: Nobel Yayın Dağıtım.
• Dumitru, C. D., & Gligor, A. (2019). Wind energy forecasting: a comparative study between a stochastic model (ARIMA) and a model based on neural network (FFANN). Procedia Manufacturing, 32, 410-417.
• Ediger, V. Ş., & Akar, S. (2007). ARIMA forecasting of primary energy demand by fuel in Turkey. Energy policy, 35(3), 1701-1708.
• EPDK (2019). “Elektrik Piyasası Sektör Raporu, Ocak 2020”, T.C. Enerji Piyasası Düzenleme Kurumu, Strateji Geliştirme Dairesi Başkanlığı,Ankara.
• ETKB (2019). “Türkiye Elektrik Enerjisi Talep Projeksiyonu Raporu”, T.C. Enerji ve Tabii Kaynaklar Bakanlığı, https://www.enerji.gov.tr/File/?path=ROOT%2F1%2FDocuments%2FE%C4%B0GM%20Ana%20Rapor%2FT%C3%BCrkiye%20Elektrik%20Enerjisi%20Talep%20Projeksiyonu%20Raporu.pdf (Erişim Tarihi: 19.04.2020)
• Gujarati, D. N. ve Porter, D. C. (2018). Temel Ekonometri, 5.Basımdan Çeviri. (Çev. Ümit Şenesen, Gülay Günlük Şenesen). İstanbul: Literatür.
• Haiges, R., Wang, Y. D., Ghoshray, A., & Roskilly, A. P. (2017). Forecasting electricity generation capacity in Malaysia: an auto regressive integrated moving average approach. Energy Procedia, 105, 3471-3478.
• Hamzaçebi, C. (2007). Forecasting of Turkey's net electricity energy consumption on sectoral bases. Energy policy, 35(3), 2009-2016.
• Hamzaçebi, C., Es, H. A. ve Çakmak, R. (2017). Forecasting of Turkey’s monthly electricity demand by seasonal artificial neural network. Neural Computing and Applications, 1-15.
• IRENA (2014). REmap 2030: A Renewable Energy Roadmap, June 2014. IRENA, Abu Dhabi. Jacobson, M. Z., Cameron, M. A., Hennessy, E. M., Petkov, I., Meyer, C. B., Gambhir, T. K., Maki, A. T., Pfleeger, K., Clonts, H., McEvoy, A. L., Miccioli, M. L., Krauland, A.K.v., Fang, R.W., Delucchi, M. A. (2018). 100% clean and renewable Wind, Water, and Sunlight (WWS) all-sector energy roadmaps for 53 towns and cities in North America. Sustainable Cities and Society, 42, 22-37.
• Jamil, R. (2020). Hydroelectricity consumption forecast for Pakistan using ARIMA modeling and supply-demand analysis for the year 2030. Renewable Energy. 154, 1-10.
• Kankal, M., Akpınar, A., Kömürcü, M. İ., & Özşahin, T. Ş. (2011). Modeling and forecasting of Turkey’s energy consumption using socio-economic and demographic variables. Applied Energy, 88(5), 1927-1939.
• Kankal, M., & Uzlu, E. (2017). Neural network approach with teaching–learning-based optimization for modeling and forecasting long-term electric energy demand in Turkey. Neural Computing and Applications, 28(1), 737-747.
• Kurucu, A. A. (2017). Türkiye’nin yenilenebilir enerji potansiyelinin hesaplanması. Ankara Üniversitesi Sosyal Bilimler Dergisi, 8(1).
• Kutlar, A. (2005). Uygulamalı Ekonometri, Nobel Yayın Dağıtım, 2. Basım, Ankara.
• Li, S., Yang, X., & Li, R. (2019). Forecasting coal consumption in India by 2030: using linear modified linear (MGM-ARIMA) and linear modified nonlinear (BP-ARIMA) combined models. Sustainability, 11(3), 695.
• Mahmutoğlu, M., & Öztürk, F. (2015). Türkiye elektrik tüketimi öngörüsü ve bu kapsamda geliştirilebilecek politika önerileri. In EY International Congress on Economics II (EYC2015), November 5-6, 2015, Ankara, Turkey (No. 239). Ekonomik Yaklasim Association.
• Makas, Y. ve Karaatlı, M. (2016). Yapay Sinir Ağlarıyla Hidroelektrik Enerji Üretiminin Çok Dönemli Tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 21(3).
• Melikoglu, M. (2016). The role of renewables and nuclear energy in Turkey׳ s Vision 2023 energy targets: Economic and technical scrutiny. Renewable and sustainable energy reviews, 62, 1-12.
• Melikoglu, M., & Turkmen, B. (2019). Food waste to energy: Forecasting Turkey’s bioethanol generation potential from wasted crops and cereals till 2030. Sustainable Energy Technologies and Assessments, 36, 100553.
• Oliveira, E. M. D., & Oliveira, F. L. C. (2018). Forecasting mid-long term electric energy consumption through bagging ARIMA and exponential smoothing methods. Energy, 144, 776-788.
• Onat, N. (2018). Türkiye’de yenilenebilir kaynaklardan elektrik enerjisi üretimi: Mevcut durum ve gelecek beklentileri. Akıllı Ulaşım Sistemleri ve Uygulamaları Dergisi, 1(1), 8-15.
• Ozcan, M. (2016). Estimation of Turkey׳ s GHG emissions from electricity generation by fuel types. Renewable and Sustainable Energy Reviews, 53, 832-840.
• Ozturk, S., & Ozturk, F. (2018). Forecasting energy consumption of Turkey by Arima model. Journal of Asian Scientific Research, 8(2), 52.
• Räisänen, O., Haakana, J., Haapaniemi, J., Lassila, J., & Partanen, J. (2019). Electricity demand forecasting 2030 by decomposition analysis of open data, 25th International Conference on Electricity Distribution, 3-6 June 2019, 1756, 1-5.
• Sevüktekin, M. (2017). “Önraporlama Geçmişe Bak Geleceği Öngör”, 1.Baskı, Dora Basım Yayın, Bursa.
• Sevüktekin, M. ve Çınar, M. (2017). Ekonometrik Zaman Serileri Analizi, Eviews Uygulamalı, 5.Baskı. Bursa: Dora Yayınevi.
• T.C. Çevre ve Şehircilik Bakanlığı (Çevrimiçi). https://iklim.csb.gov.tr/birlesmis-milletler-iklim-degisikligi-cerceve-sozlesmesi-i-4362, 30 Nisan 2020.
• T.C. Çevre ve Şehircilik Bakanlığı (2018). “Türkiye’nin Yedinci Ulusal Bildirimi”. https://webdosya.csb.gov.tr/db/cygm/icerikler/yed-nc--ulusal-b-ld-r-m-20190909092640.pdf, Erişim Tarihi: 31 Nisan 2020.
• T.C. Enerji ve Tabii Kaynaklar Bakanlığı (2019). “2019-2023 Stratejik Planı”, http://www.sp.gov.tr/upload/xSPStratejikPlan/files/LBigi+ENERJI_VE_TABII_KAYNAKLAR_BAKANLIGI_2019-2023_STRATEJIK_PLANI.pdf, Erişim Tarihi: 05 Mayıs 2020.
• TEİAŞ (2018). “Türkiye Elektrik Enerjisi 5 Yıllık Üretim Kapasite Projeksiyonu (2018-2022)”, Türkiye Elektrik İletişim A.Ş. Genel Müdürlüğü, Planlama ve Yatırım Yönetimi Dairesi Başkanlığı, Mayıs 2018, 1-98.
• TEİAŞ (2019a). “10 Yıllık Talep Tahminleri Raporu 2019-2028”, Türkiye Elektrik İletişim A.Ş. Genel Müdürlüğü, Planlama ve Yatırım Yönetimi Dairesi Başkanlığı, Temmuz 2019.
• TEİAŞ (2019b). “5 ve 10 Yıllık (2024-2029) Bölgesel Bağlanabilir Kapasite Raporu”, Türkiye Elektrik İletişim A.Ş. Genel Müdürlüğü, Planlama ve Yatırım Yönetimi Dairesi Başkanlığı, Şubat 2019, 1-58.
• TENVA (2015). “2030’lara Doğru Türkiye’nin Enerji Görünümü”. Türkiye Enerji Vakfı, Ankara. http://www.tenva.org/2030lara-dogru-turkiyenin-enerji-gorunumu/ (Erişim Tarihi 26.04. 2020).
• Toksarı, M. D. (2007). Ant colony optimization approach to estimate energy demand of Turkey. Energy Policy, 35(8), 3984-3990.
• UEVEP (2018). “Ulusal Enerji Verimliliği Eylem Planı 2017-2023”,T.C. Enerji ve Tabii Kaynaklar Bakanlığı, Ankara. https://www.enerji.gov.tr/File/?path=ROOT%2f1%2fDocuments%2fSayfalar%2fUlusal+Enerji+Verimlili%c4%9fi+Eylem+Plan%c4%b1.pdf (Erişim Tarihi: 20.04.2020).
• UNDP (2016). “UNDP Support to the Implementation of the Sustainable Development Goals”, United Nations Development Programme, New York, USA.
• UNDP Türkiye (Çevirimiçi), https://www.tr.undp.org/content/turkey/tr/home/sustainable-development-goals.html, 1 Mayıs 2020.
• Uzlu, E., Akpınar, A., Özturk, H. T., Nacar, S., & Kankal, M. (2014). Estimates of hydroelectric generation using neural networks with the artificial bee colony algorithm for Turkey. Energy, 69, 638-647.
• Yılmaz, E. A. ve Öziç, H. C. (2018). Türkiye’nin Yenilenebilir Enerji Potansiyeli ve Gelecek Hedefleri. ODÜ Sosyal Bilimler Araştırmaları Dergisi (ODÜSOBİAD), 8(3), 525-535.
• Wang, Q., Li, S., & Li, R. (2018). China's dependency on foreign oil will exceed 80% by 2030: Developing a novel NMGM-ARIMA to forecast China's foreign oil dependence from two dimensions. Energy, 163, 151-167.
• WindEurope (2017). “Wind energy in Europe: Scenarios for 2030”, Brussels, Belgium. September 2017,1-32.
• WWF Turkey (2014). Turkey’s Renewable Power: Alternative Power Supply Scenarios for Turkey. http://awsassets.wwftr.panda.org/downloads/wwf_turkey___bnef___turkey_s_renewable_power___alternative_power_supply_scenarios_until_.pdf (Erişim Tarihi: 19.04.2020)
• Vo, V. C. (2019). Forecast on Electricity Demand for Industry and Construction Sectors in Vietnam by 2030. In 2019 International Conference on System Science and Engineering (ICSSE), IEEE, 501-505.
• Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175.