Türkiye Ulaşım Kaynaklı Enerji İhtiyacının Hibrit ANFIS-PSO Metodu ile Tahmini

Yıl 2018, Cilt: 18 Sayı: 2, 740 - 750, 31.08.2018

Zeynep Ceylan Serol Bulkan

Öz

Ülke ekonomisi ve refah seviyesinin yanısıra savunma güvenliği ve stratejik hedefler yönünden enerji planlaması büyük öneme sahiptir. Bu nedenle, enerji talebinin en doğru şekilde tahmini, ülke politikaları açısından kritik bir konudur. Son yıllarda, gelecekteki enerji talep seviyelerini en doğru şekilde tahmin edebilmek için çeşitli yöntemler kullanılmaktadır. Bununla birlikte, farklı tahmin yöntemleri arasından en uygun olanın seçilmesi gerekmektedir. Bu çalışmada, Türkiye'de yıllık ulaşım kaynaklı enerji talebinin (UKET) modellenmesi ve tahmin edilmesi için hibrit bir yöntem olan Uyarlamalı Ağ Tabanlı Bulanık Çıkarım Sistemleri (Adaptive-Network Based Fuzzy Inference Systems, ANFIS) ile Parçacık Sürü Optimizasyon (PSO) algoritması birlikte kullanılmıştır. Modellerin geliştirilmesinde gayri safi yurtiçi hâsıla (GSYİH), nüfus, yıllık toplam taşıt-km parametreleri ve yıllık trafiğe çıkan taşıt sayısı model girdileri olarak alınmıştır. Modellerin eğitim ve test aşamaları için 1970 ile 2016 yılları arasındaki veriler kullanılmıştır. En iyi yaklaşım olarak belirlenen ANFIS-PSO modeli Türkiye’nin 2017’den 2023’e kadar UKET tahmini için kullanılmıştır. Elde edilen sonuçlar, Türkiye'nin ulaşım kaynaklı enerji talebinin 7 yıllık bir sürede 2016 yılındaki değerinin yaklaşık 1,2 katına çıkacağını göstermiştir.

Anahtar Kelimeler

Enerji talebi, Ulaşım, ANFIS, PSO, Tahmin.

Kaynakça

• Anemangely M., Ramezanzadeh A., Tokhmechi B., 2017. Shear wave travel time estimation from petrophysical logs using ANFIS-PSO algorithm: A case study from Ab-Teymour Oilfield, J Nat Gas Sci Eng., 38, 373–387.
• Ausati S., Amanollahi J., 2016. Assessing the accuracy of ANFIS, EEMD-GRNN, PCR, and MLR models in predicting PM2.5, Atmos Environ, 142, 465–474.
• Barak S., Sadegh S.S., 2016. Forecasting energy consumption using ensemble ARIMA–ANFIS hybrid algorithm, Int J Electr Power Energy Syst, 82, 92–104.
• Baskan O., Haldenbilen S., Ceylan H., Ceylan H., 2012. Estimating transport energy demand using ant colony optimization, Energy Sources Part B Econ Planning, 7, 188–199.
• Canyurt O.E., Ozturk H.K., Hepbasli A., Utlu Z., 2006. Genetic algorithm (GA) approaches for the transport energy demand estimation: model development and application, Energy Sources, Part A Recover Util Environ Eff, 28, 1405–1413.
• Ceylan, H., Ceylan, H., Haldenbilen, S., Baskan, O., 2008. Transport energy modeling with meta-heuristic harmony search algorithm, an application to Turkey, Energy policy, 36(7), 2527-2535.
• Chai J., Lu Q.-Y., Wang S.-Y., Lai K.K., 2016. Analysis of road transportation energy consumption demand in China, Transp Res Part D Transp Environ, 48, 112–124.
• Chen W., Panahi M., 2017. Pourghasemi H.R., Performance evaluation of GIS-based new ensemble data mining techniques of adaptive neuro-fuzzy inference system (ANFIS) with genetic algorithm (GA), differential evolution (DE), and particle swarm optimization (PSO) for landslide spatial modelling, CATENA, 157, 310–324.
• Forouzanfar M., Doustmohammadi A., Hasanzadeh S., Shakouri G.H., 2012. Transport energy demand forecast using multi-level genetic programming, Appl Energy, 91, 496–503.
• 30,96 Enerji Talebi; Milyon ton petrol eşdeğeri (MTEP) cinsinden ulaştırma kaynaklı enerji tüketimi; GSYİH - Gayri safi yurtiçi hasıla (x109) ABD doları; Nüfus (x106); Toplam yıllık taşıt-km (x109) ve Taşıt sayısı (x106)
• Haldenbilen S., 2006. Fuel price determination in transportation sector using predicted energy and transport demand, Energy Policy, 34(17), 3078-3086.
• Jang, J.-S. R., 1993. ANFIS: Adaptive-Network-Based Fuzzy Inference System, Ieee Transactions on Systems, Man and Cybernetics, 23(3), 665-685.
• Kennedy J., Eberhart R., 1995. Particle Swarm Optimization, Proc. IEEE International Conference on Neural Networks (ICNN), 4, 1942-1948.
• Limanond T., Jomnonkwao S., Srikaew A., 2011. Projection of future transport energy demand of Thailand, Energy Policy, 39, 2754-2763.
• Lu I.J., Lewis C., Lin S.J., 2009. The forecast of motor vehicle, energy demand and CO2 emission from Taiwan’s road transportation sector, Energy Policy, 37, 2952–2961.
• Mullai P., Arulselvi S., Ngo H.-H., Sabarathinam P.L., 2011. Experiments and ANFIS modelling for the biodegradation of penicillin-G wastewater using anaerobic hybrid reactor, Bioresour Technol, 102, 5492–5497.
• Murat Y.S. and Ceylan H., 2006. Use of artificial neural networks for transport energy demand modeling. Energy Policy, 34, 3165–3172.
• Prasad K., Gorai A.K., Goyal P., 2016. Development of ANFIS models for air quality forecasting and input optimization for reducing the computational cost and time, Atmos Environ., 128, 246–262.
• Rezakazemi M., Dashti A., Asghari M., Shirazian S., 2017. H2-selective mixed matrix membranes modeling using ANFIS, PSO-ANFIS, GA-ANFIS, Int J Hydrogen Energy, 42, 15211–15225
• . Rini, D. P., Shamsuddin, S. M., Yuhaniz, S. S., 2016. Particle swarm optimization for ANFIS interpretability and accuracy, Soft Computing, 20(1), 251-262.
• Sarkheyli A., Zain A.M., Sharif S., 2015. Robust optimization of ANFIS based on a new modified GA, Neurocomputing, 166, 357–366.
• Sonmez M., Akgüngör A.P. and Bektaş S., 2017. Estimating transportation energy demand in Turkey using the artificial bee colony algorithm, Energy, 122, 301–310.
• Taylan O., Demirbaş A., 2016. Forecasting and analysis of energy consumption for transportation in the Kingdom of Saudi Arabia, Energy Sources Part B Econ Planning, 11, 1150–1157.
• Zhang M., Mu H., Li G., Ning Y., 2009. Forecasting the transport energy demand based on PLSR method in China, Energy, 34, 1396–1400.
• 1-http://www.tuik.gov.tr, (07.10.2017)
• 2-http://www.iea.org/publications/freepublications/publication/EnergyPoliciesofIEACountriesTurkey.pdf, (21.09.2017)
• 3- http://data.worldbank.org/country/turkey, (27.08.2017)
• 4- http://www.trafik.gov.tr, (24.08.2017)
• 5-http://www.dektmk.org.tr, (21.07.2017)