EVALUATION OF HYDROELECTRIC ENERGY PRODUCTION USING DEMATEL AND REGRESSION METHODS

Yıl 2024, Cilt: 35 Sayı: 3, 437 - 464

Ezgi Güler , Suheyla Yerel Kandemir , Zerrin Aladağ

Öz

Environmental damage and high costs of non-renewable energy sources cause renewable energy sources to be preferred. Hydroelectric energy production has become one of the most important renewable energy sources in Türkiye. Being able to approximately estimate the energy that will be produced in the future is extremely important in terms of energy planning. In this study, Türkiye's 38-year hydroelectric energy production values between 1985 and 2022 are analyzed with polynomial and exponential regression models. The suitability of the prediction methods is examined using the Average Absolute Percentage Error (MAPE) and Coefficient of Determination (R2) performance metrics. MAPE values are obtained as 15.755% and 18.393% for polynomial and exponential regression methods, respectively. According to the MAPE values obtained, the polynomial regression method is more suitable for estimation. In this context, hydroelectric energy production data in Türkiye until 2032 has been estimated via polynomial regression model. The R2 value is calculated as 0.828 for the polynomial regression method. When the R2 value obtained in the analyses conducted by considering only the time (year) variable is examined, seven criteria that should be included/recommended in the analysis are analyzed with The Decision Making Trial And Evaluation Laboratory (DEMATEL), one of the Multi-Criteria Decision Making (MCDM) techniques. According to the threshold value determined by the DEMATEL method, the criteria affecting hydroelectric energy production can be grouped as affecting and affected criteria. In addition, the importance level of each criterion in the hydroelectric production process is determined and the criterion weights are obtained. According to the DEMATEL method results, stream yield and dam and reservoir capacity criteria are presented as important independent variables that are predicted to be included in the regression analysis. All findings obtained from the estimation and decision-making process are important in terms of providing insight to decision makers.

Anahtar Kelimeler

DEMATEL, Hydroelectric energy production, Regression analysis, Forecasting

HİDROELEKTRİK ENERJİ ÜRETİMİNİN DEMATEL VE REGRESYON YÖNTEMLERİ İLE DEĞERLENDİRİLMESİ

Öz

Yenilenemeyen enerji kaynaklarının çevresel zararları ve yüksek maliyetleri yenilenebilir enerji kaynaklarının tercih edilmesine neden olmaktadır. Türkiye'de hidroelektrik enerji üretimi en önemli yenilenebilir enerji kaynaklarından biridir. Gelecekte üretilecek enerjinin yaklaşık olarak tahmin edilebilmesi enerji planlaması açısından son derece önemlidir. Bu çalışmada Türkiye'nin 1985-2022 yılları arasındaki 38 yıllık hidroelektrik enerji üretim değerleri polinom ve üstel regresyon modelleri ile analiz edilmiştir. Tahmin yöntemlerinin uygunluğu Ortalama Mutlak Yüzde Hata (MAPE) ve Belirlilik Katsayısı (R2) performans metrikleri kullanılarak incelenmiştir. MAPE değerleri polinomal ve üstel regresyon yöntemleri için sırasıyla %15,755 ve %18,393 olarak elde edilmiştir. Bu değerlere göre regresyon modelleri “iyi model” statüsündedir. Elde edilen MAPE değerlerine göre polinomal regresyon yöntemi tahminleme açısından daha elverişlidir. Bu bağlamda Türkiye'de 2032 yılına kadar hidroelektrik enerji üretim verileri polinomal regresyon modeli ile tahminlenmiştir. R2 değeri polinomal regresyon yöntemi için 0,828 olarak hesaplanmıştır. Sadece zaman (yıl) değişkeni ele alınarak yapılan analizlerde elde edilen R2 değeri incelendiğinde analize dahil edilmesi gereken/önerilen yedi adet kriter Çok Kriterli Karar Verme (ÇKKV) tekniklerinden biri olan The Decision Making Trial And Evaulation Laboratory (DEMATEL) ile analiz edilmiştir. DEMATEL yöntemi ile belirlenen eşik değere göre hidroelektrik enerji üretimine etki eden kriterler etkileyen ve etkilenen kriterler olarak gruplandırılabilmiştir. Ayrıca her bir kriterin hidroelektrik üretim sürecindeki önem düzeyi belirlenerek kriter ağırlıkları elde edilmiştir. DEMATEL yöntemi sonuçlarına göre akarsu verimi ile baraj ve rezervuar kapasitesi kriterleri regresyon analizine dahil edilmesi öngörülen ve önemli bağımsız değişkenler olarak sunulmuştur. Tahminleme ve karar verme sürecinden elde edilen tüm bulgular karar vericilere öngörü sağlaması açısından önemlidir.

Anahtar Kelimeler

DEMATEL, Hidroelektrik enerji üretimi, Regresyon analizi

Kaynakça

• Aka, M.,Kentel, E. ve Kucukali, S.(2017). A fuzzy logic tool to evaluate low-head hydropower technologies at the outlet of wastewater treatment plants. Renewable and Sustainable Energy Reviews, 68(1), 727-737. Doi: https://doi.org/10.1016/j.rser.2016.10.010
• Akarçeşme, Y. (2019). Hidroelektrik Potansiyelin Türkiye Açısından Önemi. Yüksek Lisans Tezi. İstanbul Üniversitesi. Erişim adresi: https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=4J_FzTwlrMCH4qBROpXPH_jmq7ksykUuc24w2jjvtlkb6-EyJZQ-ZkaPCz_w5wTW
• Akpınar, A., Tavşan, F., Kömürcü, M. İ., Filiz, M. H., ve Kaygusuz, K. (2012). The total electricity energy production of the world, European Union, and Turkey: projections and comparison. Energy Sources, Part B: Economics, Planning, and Policy, 7(1), 28-44. Doi: https://doi.org/10.1080/15567240802532767
• Azad, A. S., Rahaman, M. S. A., Watada, J., Vasant, P., ve Vintaned, J. A. G. (2020). Optimization of the hydropower energy generation using Meta-Heuristic approaches: A review. Energy Reports, 6, 2230-2248. Doi: https://doi.org/10.1016/j.egyr.2020.08.009
• Baran, B. (2020). Coverage Ratio of Residential Electricity Demand of Turkey with Wastewater Treatment Plant Hydroelectric Production. Academic Platform-Journal of Engineering and Science, 8(1), 139-145. Erişim adresi: https://dergipark.org.tr/en/download/article-file/3321395
• Bek, M. İ. (2008). Zaman Serisi Analizi ve Tarımsal Uygulaması, Yüksek Lisans Tezi, Kahramanmaraş Sütçü İmam Üniversitesi, Fen Bilimleri Enstitüsü, Kahramanmaraş. Erişim adresi:https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=UPP_Zu9isEmWGFXFCBYasRT3_yNk90UbDWDp3GE0uNBebbOIvOSnlGsz5SijsO4_
• Candar, B. (2022). Türkiye’de Kurulu Olan Hidroelektrik Santrali Projelerinin Çevresel Etkilerinin Değerlendirilmesi, Yüksek Lisans Tezi, Bursa Uludağ Üniversitesi, Fen Bilimleri Enstitüsü, Bursa. Erişim adresi: https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=qVqOZFj2DwNmvdf1oGFYiGEJNLlhViazhyWaBiqaUS4QCc2gnZIjFXWjC4rpWLZu
• Çakın, E., ve Özdemir, A. (2015). Bölgesel gelişmişlikte ar-ge ve inovasyonun rolü: DEMATEL tabanlı analitik ağ süreci (DANP) ve TOPSIS yöntemleri ile bölgelerarası bir analiz. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 30(1), 115-144. Erişim adresi: https://dergipark.org.tr/en/pub/deuiibfd/issue/22716/242453
• Da Silva, R. F., Bellinello, M. M., de Souza, G. F. M., Antomarioni, S., Bevilacqua, M., ve Ciarapica, F. E. (2021). Deciding a multicriteria decision-making (MCDM) method to prioritize maintenance work orders of hydroelectric power plants. Energies, 14(24), 8281. Doi: https://doi.org/10.3390/en14248281
• Dutta, A. ve Jinsart, W. (2021). Air pollution in Indian cities and comparison of MLR, ANN and CART models for predicting PM10 concentrations in Guwahati, India. Asian Journal of Atmospheric Environment, 15(1). Doi: https://doi.org/10.5572/ajae.2020.131
• Güler, E., Yerel Kandemir, S., Açıkkalp, E., ve Ahmadi, M. H. (2021). Evaluation of sustainable energy performance for OECD countries. Energy Sources, Part B: Economics, Planning, and Policy, 16(6), 491-514. Doi: https://doi.org/10.1080/15567249.2021.1909673
• Hashemi, R., Kamranrad, R., Bagheri, F., ve Emami, I. (2020). A fuzzy DEMATEL–Fuzzy Binary Logistic Regression approach to evaluate and prioritize risks and simulated annealing optimization algorithm (an empirical study in energy projects). International Journal of Managing Projects in Business, 13(5), 1025-1050. Doi: https://doi.org/10.1108/IJMPB-04-2019-0089
• Huang, H. ve Yan, Z. (2009). Present Situation And Future Prospect Of Hydropower In China. Renewable And Sustainable Energy Reviews, 13(6), 1652-1656. Doi: https://doi.org/10.1016/j.rser.2008.08.013
• İnallı, K., Işık, E. ve Dağtekin, İ. (2014). The prediction of efficiency and production parameters in Karakaya using the artificial network. Dicle University Journal of Engineering, 5(1): 59-68. Erişim adresi: https://search.trdizin.gov.tr/yayin/detay/245927
• Karaoğlan, S. (2016). DEMATEL VE VIKOR Yöntemleriyle Diş Kaynak Seçimi: Otel İşletmesi Örneği. Akademik Bakış Uluslararası Hakemli Sosyal Bilimler Dergisi, 55, 9-24. Erişim adresi: https://dergipark.org.tr/tr/pub/abuhsbd/issue/ 32960/366266
• Kaplan, F. A. (2023). İklim Değişikliğinin Hidroelektrik Santraller Üzerindeki Etkisi ve Hes, Ges Hibrit Modeli. DSI Technical Bulletin/DSİ Teknik Bülteni, 141. Erişim Adresi: https://cdniys.tarimorman.gov.tr/api/File/GetFile/ 471/Sayfa/1639/2069/DosyaGaleri/2._makale.pdf
• Kholifah, N., Setyawan, A. C., Wijayanto, D. S., Widiastuti, I., ve Saputro, H. (2018). Performance of Pelton turbine for hydroelectric generation in varying design parameters. In IOP conference series: materials science and engineering (Vol. 288, No. 1, p. 012108). IOP Publishing. Doi: https://doi.org/10.1088/1757-899X/288/1/012108
• Kotan, B. ve Erener, A. (2023). Seasonal forecasting of PM10, SO2 air pollutants with multiple linear regression and artificial neural networks. Geomatik, 8(2), 163-179. Doi: https://doi.org/10.29128/geomatik.1158565
• Liou, J.J.H., Yen, L. ve Tzeng, G.H. (2008). Building An Effective Safety Management System for Airlines. Journal of Air Transport Management, 14, 20-26. Doi: https://doi.org/10.1016/j.jairtraman.2007.10.002
• Makas, Y., ve Karaatlı, M. (2016). Multi-Period Estimation of Hydroelectric Power Generation With Artifıcial Neural Network. Süleyman Demirel University The Journal of Faculty of Economics and Administrative Sciences, 21(3), 757-772. Erişim adresi: https://dergipark.org.tr/en/download/article-file/227675
• Malaslı, M. Z., Çelik, A., ve Çelik, Ş. (2015). Güneydoğu Anadolu Bölgesi'nin toprak işleme alet ve makinaları projeksiyonunun regresyon analizi yöntemiyle belirlenmesi. Türk Tarım ve Doğa Bilimleri Dergisi, 2(1), 126-132. Erişim adresi: https://dergipark.org.tr/tr/download/issue-file/2996
• Maleki, H., Sorooshian, A., Goudarzi, G., Baboli, Z., ve Birgani, Y. (2019). Rahmati, M. Air pollution prediction by using an artificial neural network model. Clean Technologies and Environmental Policy, 21(6), 1341-1352. Doi: https://doi.org/10.1007/s10098-019-01709-w
• Martins F., ve Smitkovác, M. (2017). Mathematical modeling of Portuguese hydroelectric energy system. Energy Procedia. 136, 213-218. Doi: https://doi.org/10.1016/j.egypro.2017.10.241
• Meyers, L. S., Gamst, G., ve Guarino, A. J. (2016). Applied multivariate research: Design and interpretation. Sage publications. 1st ed., New York, USA. Doi: https://doi.org/10.4135/9781071802687
• Moreno, J. J. M., Pol, A. P., Abad, A. S., ve Blasco, B. C. (2013). Using the R-MAPE index as a resistant measure of forecast accuracy. Psicothema, 25(4), 500-506. Erişim adresi: Ostertagová, E. (2012). Modeling using polynomial regression. Procedia Engineering, 48, 500-506. Doi: https://doi.org/10.1016/j.proeng.2012.09.545
• Önöz B. ve Albostan A. (2007). Hidroelektrik santral planlama ve işletmesinde yüksek akımların mevsimselliğinin belirlenmesi, TMMOB Türkiye VI. Enerji Sempozyumunda sunulmuş bildiri, Ankara.
• Özcan, N. A., Bulut, M., Özcan, E. C., ve Eren, T. (2022). Enerji Üretim Yatırım Alternatiflerinin Değerlendirilmesinde Çok Kriterli Karar Verme Yöntemlerinin İstatistiksel ve Analitik Olarak Karşılaştırması: Türkiye Örneği. Politeknik Dergisi, 25(2), 519-531. Doi: https://doi.org/10.2339/politeknik.763579
• Özcan, E. C., Ünlüsoy, S., ve Eren, T. (2017). A combined goal programming-AHP approach supported with TOPSIS for maintenance strategy selection in hydroelectric power plants. Renewable and Sustainable Energy Reviews, 78, 1410-1423. Doi: https://doi.org/10.1016/j.rser.2017.04.039
• Özen, N. S., Saraç, S., ve Koyuncu, M. (2021). Prediction of COVID-19 cases in the United States of America with machine learning algorithms. European Journal of Science and Technology, 22, 134-139. Erişim adresi: https://dergipark.org.tr/en/download/article-file/1492256
• Pata, U. K. (2018). The ınfluence of coal and noncarbohydrate energy consumption on CO2 Emissions: Revisiting The Environmental Kuznets Curve Hypothesis for Turkey. Energy, 160, 1115-1123. Doi: https://doi.org/10.1016/j.energy.2018.07.095
• Pujades, E., Poulain, A., Orban, P., Goderniaux, P., ve Dassargues, A. (2021). The impact of hydrogeological features on the performance of underground pumped-storage hydropower (UPSH). Applied Sciences, 11(4), 1760. Doi: https://doi.org/10.3390/app11041760
• Stefenon, S. F., Ribeiro, M. H. D. M., Nied, A., Yow, K. C., Mariani, V. C., dos Santos Coelho, L., ve Seman, L. O. (2022). Time series forecasting using ensemble learning methods for emergency prevention in hydroelectric power plants with dam. Electric Power Systems Research, 202, 107584. Doi: https://doi.org/10.1016/j.epsr.2021.107584
• Suvitha, K., Narayanamoorthy, S., Sandra, M., Pamucar, D., Simic, V., ve Kang, D. (2024). Effective hydropower renewable energy source selection using fuzzy neutrosophic boundary approximate area. Renewable Energy Focus, 48, 100537. Doi: https://doi.org/10.1016/j.ref.2024.100537
• Şahin, U. (2020). Projections of Turkey's electricity generation and installed capacity from total renewable and hydro energy using fractional nonlinear grey Bernoulli model and its reduced forms. Sustainable Production and Consumption, 23, 52-62. Doi: https://doi.org/10.1016/j.spc.2020.04.004
• TÜİK. (2024). İstatistik Veri Portalı. Erişim adresi: https://data.tuik.gov.tr/Kategori/GetKategori?p=Cevre-ve-Enerji-103
• Uzlu, E., Akpınar, A., Özturk, H. T., Nacar, S., ve Kankal, M. (2014). Estimates of hydroelectric generation using neural networks with the artificial bee colony algorithm for Turkey. Energy, 69, 638-647. Doi: https://doi.org/10.1016/j.energy.2014.03.059
• Varol, B., Ömürlü, İ. K., ve Türe, M. (2020). Comparison of piecewise regression and polynomial regression analyses in health and simulation data sets. Süleyman Demirel University Journal of Health Sciences, 11(2), 144-151. Erişim adresi: https://dergipark.org.tr/en/pub/sdusbed/issue/54917/636203
• Yurtkuran, S. ve Terzi, H. (2018). Empirical analyses of environmental kuznets curve: Mexican Case. International Journal of Economics and Administrative Studies, 20, 267-284. Erişim adresi: https://dergipark.org.tr/tr/download/article-file/406544
• Yadav, V. ve Nath, S. (2020). Novel Application of Artificial Neural Network Techniques for Prediction of Air Pollutants Using Stochastic Variables for Health Monitoring: A Review. Soft Computing in Condition Monitoring and Diagnostics of Electrical and Mechanical Systems: Novel Methods for Condition Monitoring and Diagnostics, 3rd ed.; Malik, H., Iqbal, A., Yadav, A.K., Springe: Singapore, 231-245. Doi: https://doi.org/10.1007/978-981-15-1532-3_10
• Yavuz, S. (2009). Regresyon analizinde doğrusala dönüştürme yöntemleri ve bir uygulama. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 23(1), 165-179. Erişim adresi: https://dergipark.org.tr/tr/download/article-file/30223
• Yerel S. ve Ersen T. (2013) Prediction of the Calorific Value of Coal Deposit Using Linear Regression Analysis, Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 35(10), 976-980. Doi: https://doi.org/10.1080/15567036.2010.514595
• Zanoli, S. M., Pepe, C., Astolfi, G., ve Luzi, F. (2023). Reservoir advanced process control for hydroelectric power production. Processes, 11(2), 300. Doi: https://doi.org/10.3390/pr11020300
• Wei, L., Jiheng, L., Junhong, G., Zhe, B., Lingbo, F., ve Baodeng, H. (2020). The effect of precipitation on hydropower generation capacity: a perspective of climate change. Frontiers in Earth Science, 8, 268. Doi: https://doi.org/10.3389/feart.2020.00268
• Wu, W. W., ve Lee, Y.T. (2007). Developing Global Managers' Competencies Using The Fuzzy DEMATEL Method. Expert Systems with Applications, 32, 499-507. Doi: https://doi.org/10.1016/j.eswa.2005.12.005