Estimation of Net Energy Consumption for Turkey Based on Economic Factors

Öz

Energy, which is one of the main determinants of the economy, is an important production factor for all countries. As a developing country, Turkey is a country that increases its energy demand day by day. It is very important to make reliable energy consumption forecasts for the future in today's world where there is an energy crisis. In this work; the artificial neural networks (ANN) and adaptive-network-based fuzzy inference system (ANFIS) models were used to examine the effects of imports, exports, economic growth (Gross Domestic Product) and population on net energy consumption of Turkey. The reliability of the ANN and ANFIS models was determined using several statistical indicators. In the ANN model; R2, MAPE, and cov values were found as 0.997397669, 0.78259322, and 5.3228538, respectively. In the ANFIS model; R2, MAPE, and cov values were found as 0.997845364, 0.70709233, and 4.84339908, respectively. The obtained results from the ANN are compared with the ANFIS, in which the same data sets are used. The ANFIS model is a little better than ANN model. Using the weights obtained from the trained network, a new formula for determining net energy consumption is proposed. The results obtained, it is showing that both models can be successfully used to forecast energy consumption.

Anahtar Kelimeler

• Net energy consumption
• Socio-economic variables
• Prediction
• ANN
• ANFIS

Türkiye İçin Ekonomik Faktörlere Bağlı Olarak Net Enerji Tüketimi Tahmini

Öz

Ekonominin temel belirleyicilerinden biri olan enerji, tüm ülkeler için önemli bir üretim faktörüdür. Türkiye gelişmekte olan bir ülke olarak enerji talebini her geçen gün artıran bir ülkedir. Enerji krizinin yaşandığı günümüz dünyasında geleceğe yönelik güvenilir enerji tüketim tahminleri yapmak oldukça önemlidir. Bu çalışmada; ithalat, ihracat, ekonomik büyüme (Gayri Safi Yurtiçi Hasıla) ve nüfusun Türkiye'nin net enerji tüketimi üzerindeki etkilerini incelemek için yapay sinir ağları (YSA) ve uyarlamalı ağ tabanlı bulanık çıkarım sistemi (ANFIS) modelleri kullanılmıştır. YSA ve ANFIS modellerinin güvenilirliği, çeşitli istatistiksel göstergeler kullanılarak belirlenmiştir. YSA modelinde; R2, MAPE ve cov değerleri sırasıyla 0.997397669, 0.78259322 ve 5.3228538 olarak bulunmuştur. ANFIS modelinde; R2, MAPE ve cov değerleri sırasıyla 0.997845364, 0.70709233 ve 4.84339908 olarak bulunmuştur. YSA'dan elde edilen sonuçlar, aynı veri setlerinin kullanıldığı ANFIS modelinin sonuçları ile karşılaştırılmıştır. ANFIS modelinin, ANN modelinden biraz daha iyi sonuçlar verdiği görülmüştür. Eğitimli ağdan elde edilen ağırlıklar kullanılarak net enerji tüketimini belirlemek için yeni bir formül önerilmiştir. Elde edilen sonuçlar, her iki modelin de enerji tüketimini tahmin etmede başarılı bir şekilde kullanılabileceğini göstermektedir.

Anahtar Kelimeler

• Net enerji tüketimi
• Sosyo-ekonomik değişkenler
• Tahmin
• YSA
• ANFIS

Kaynakça

1. [1] Türkiye Elektrik Dağıtım A.Ş. (TEDAŞ). (2021). https://www.tedas.gov.tr/sx.web.docs/tedas/docs/Stratejikplan/2020_Yili_Turkiye_Elektrik_Dagitimi_Sektor_Raporu.pdf
2. [2] Türkiye Elektrik İletim A.Ş (TEİAŞ). (2021). https://www.teias.gov.tr/tr-TR/turkiye-elektrik-uretim-iletim-istatistikleri
3. [3] Türkiye İstatistik Kurumu (TÜİK). (2021). https://www.tuik.gov.tr/
4. [4] Kaytez F., “A hybrid approach based on autoregressive integrated moving average and least-square support vector machine for long-term forecasting of net electricity consumption”, Energy, 2020, 197:117200.
5. [5] Sözen, A., Akçayol, M. A., & Arcaklioğlu, E., “Forecasting net energy consumption using artificial neural network”, Energy Sources, Part B, 2006, 1(2): 147-155.
6. [6] Tartibu, L. K., & Kabengele, K. T. “Forecasting net energy consumption of South Africa using artificial neural network”. In 2018 International Conference on the Industrial and Commercial Use of Energy (ICUE,)2018: 1-7.
7. [7] Hamzaçebi, C., “Forecasting of Turkey's net electricity energy consumption on sectoral bases”. Energy policy, 2007, 35(3): 2009-2016.
8. [8] Kankal, M., Akpınar, A., Kömürcü, M. İ., & Özşahin, T. Ş., “Modeling and forecasting of Turkey’s energy consumption using socio-economic and demographic variables”. Applied Energy, 2011, 88(5):1927-1939.

9. [9] Akdi, Y., Gölveren, E., & Okkaoğlu, Y., “Daily electrical energy consumption: Periodicity, harmonic regression method and forecasting”, Energy, 2020, 191: 116524.
10. [10] Zeng, Y. R., Zeng, Y., Choi, B., & Wang, L., “Multifactor-influenced energy consumption forecasting using enhanced back-propagation neural network”. Energy, 2017. 127: 381-396.
11. [11] Perwez, U., & Sohail, A., “Forecasting of Pakistan's net electricity energy consumption on the basis of energy pathway scenarios”. Energy Procedia, 2014, 61:2403-2411.
12. [12] Liu, B., Fu, C., Bielefield, A., & Liu, Y. Q.,”Forecasting of Chinese primary energy consumption in 2021 with GRU artificial neural network”. Energies, 2017, 10(10): 1453.
13. [13] Deb, C., Eang, L. S., Yang, J., & Santamouris, M. (2015). Forecasting energy consumption of institutional buildings in Singapore. Procedia Engineering, 121, 1734-1740.
14. [14] Pao, H. T., “Forecasting energy consumption in Taiwan using hybrid nonlinear models”. Energy, 2009, 34(10): 1438-1446.
15. [15] Kaboli, S. H. A., Fallahpour, A., Selvaraj, J., & Rahim, N. A., “Long-term electrical energy consumption formulating and forecasting via optimized gene expression programming”, Energy, 2017, 126: 144-164.
16. [16] Es H. A. , Kalender Öksüz F. Y. , Hamzacebi C., “Forecasting the net energy demand of Turkey by artificial neural networks”. Journal of the Faculty of Engineering and Architecture of Gazi University, 2014, 29(3).
17. [17] Aydin, G., “Modeling of energy consumption based on economic and demographic factors: The case of Turkey with projections”. Renewable and Sustainable Energy Reviews, 2014, 35:382-389.
18. [18] Avami, A., & Boroushaki, M., “Energy consumption forecasting of Iran using recurrent neural networks”. Energy Sources, Part B: Economics, Planning, and Policy, 2011, 6(4): 339-347.
19. [19] Kaytez, F., “Türkiye Elektrik Şebekesinde Güneş Kurulu Gücünün Artırılmasında Öncelikli Stratejilerin Bir Bulanık Analitik Ağ Proses Yaklaşımı ile Değerlendirilmesi”. El-Cezeri, 2021, 8(3): 1309-1322.
20. [20] Ekinci, F., “YSA ve ANFIS tekniklerine dayalı enerji tüketim tahmin yöntemlerinin karşılaştırılması”. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, (2019), 7(3): 1029-1044.
21. [21] Uzlu, E., “Türkiye için gri kurt optimizasyon algoritması ile yapay sinir ağlarını kullanarak enerji tüketiminin tahmini”. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 2019, 7(2):245-262.
22. [22] Nebati, E. E., Murat, T. A. Ş., & Ertaş, G., “Türkiye’de Elektrik Tüketiminde Talep Tahmini: Zaman Serisi Ve Regresyon Analizi İle Karşılaştırma”. Avrupa Bilim ve Teknoloji Dergisi, 2021, (31): 348-357.
23. [23] Es, H.A., “Gri tahmin modelleri ile toplam enerji talep tahmini: Türkiye örneği”. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, (2020), 10(3): 771-782.
24. [24] Haykin, S.S., “Neural Networks: A Comprehensive Foundation”, Prentice Hall, 1999.
25. [25] Fu, L.M., “Neural Networks in Computer Intelligence”, McGraw-Hill International Editions, 1994.
26. [26] Kalogirou S.A., “Artificial neural networks in renewable energy systems applications: a review”, Renewable and Sustainable Energy Reviews, 2000, 5: 373-401.
27. [27] Jang, J.-S.R., "ANFIS: adaptive-network-based fuzzy inference system". IEEE Transactions on Systems, Man and Cybernetics, 1993, 23 (3).
28. [28] Jang, Jyh-Shing R., “Fuzzy Modeling Using Generalized Neural Networks and Kalman Filter Algorithm”. Proceedings of the 9th National Conference on Artificial Intelligence, Anaheim, CA, USA, 1991, 2: 762–767.
29. [29] T.C. Strateji ve Bütçe Başkanlığı. (2021). ttps://www.sbb.gov.tr/temel-ekonomik-gostergeler-veritabani/
30. [30] Şencan, A., & Kalogirou, S. A., “A new approach using artificial neural networks for determination of the thermodynamic properties of fluid couples”. Energy Conversion and Management, 2005, 46(15-16): 2405-2418.