Türkiye için gri kurt optimizasyon algoritması ile yapay sinir ağlarını kullanarak enerji tüketiminin tahmini

Ergun Uzlu

doi:10.29109/gujsc.519553

Türkiye için gri kurt optimizasyon algoritması ile yapay sinir ağlarını kullanarak enerji tüketiminin tahmini

Öz

Bu çalışmanın amacı gri kurt optimizasyon (GKO) algoritması ile eğitilmiş bir yapay sinir ağı (YSA) modelini kullanarak Türkiye’nin enerji tüketimini tahmin etmektir. Modelde gayri safi yurt içi hasıla, nüfus, ithalat ve ihracat verileri bağımsız değişken olarak seçilmiştir. Sunulan modelin uygulanabilirliğini ve doğruluğunu değerlendirmek için, YSA-GKO modeli yapay arı kolonisi (YAK) algoritması ve geri yayılımlı (GY) algoritma ile eğitilmiş YSA modelleri ile karşılaştırılmıştır. Yapılan karşılaştırmalar YSA-GKO modelinin YSA-YAK ve YSA-GY modellerinden daha üstün olduğunu göstermiştir. YSA-GKO modeli kullanılarak Türkiye’nin enerji tüketimi iki farklı senaryoya göre 2023’e kadar tahmin edilmiştir. Elde edilen sonuçlar Enerji ve Tabi Kaynaklar Bakanlığı ve literatürdeki çalışmalardan elde edilen sonuçlarla karşılaştırılmıştır. Sonuçlar YSA-GKO modelinin enerji tüketimi tahmininde kullanılabileceğini göstermiştir.

Anahtar Kelimeler

Gri Kurt Optimizasyon Algoritması; Yapay Arı Kolonisi Algoritması; Geri Yayılımlı Algoritma; Enerji Tüketimi/Talebi; Yapay Sinir Ağları; Türkiye

Kaynakça

Kaynaklar (References)
[1] Boru Hatları İle Petrol Taşıma Anonim Şirketi (BOTAŞ). 2015 Sektör raporu
[2] Enerji ve Tabi Kaynaklar Bakanlığı (ETKB). İstatistikler, denge tabloları
[3] Enerji ve Tabi Kaynaklar Bakanlığı (ETKB). Enerji ve tabi kaynaklar bakanlığı ile bağlı ve ilgili kuruluşlarının amaç ve faliyetleri.
[4] E. UZLU, M. Kankal, A. Akpınar, T. Dede, Estimates of energy consumption in Turkey using neural networks with the teaching-learning-based optimization algorithm, Energy 75 (2014) 295–303.
[5] B. Guo, Y. Wang, A. Zhang, China's energy future: leap tool application in China, East Asia Energy Futures (EAEF). In: Asia energy security project energy paths analysis, methods training workshop, vancouver, British Columbia, Canada;2003.
[6] S.W. Yu, Y.M. Wei, K. Wang, A PSO-GA optimal model to estimate primary energy, Energy Policy 42 (2012) 329–340.
[7] Y. Fan, Y. Xia, Exploring energy consumption and demand in China, Energy 40 (2012) 23–30.

[8] Y.R. Zeng, Y. Zeng, B. Choi, L. Wang, Multifactor-influenced energy consumption forecasting using enhanced back-propagation neural network, Energy 127 (2017) 381–396.
[9] X. Wang, D.L. Xu, Z.Z. Sun. Estimates of energy consumption in China using a self-adaptive multi-verse optimizer-based support vector machine with rolling cross-validation, Energy 152 (2018) 539–548.
[10] Z.W. Geem, W.E. Roper, Energy demand estimation of South Korea using artificial neural network, Energy Policy 37 (2009) 4049–4054.
[11] L. Ekonomou, Greek long–term energy consumption prediction using artificial neural networks, Energy 35 (2010) 512–517.
[12] O.A. Oludolapo, A.A. Jimoh, P.A. Kholopane, Comparing performance of MLP and RBF neural network models for predicting South Africa’s energy consumption, Journal of Energy in South Africa 23 (2012) 40–6.
[13] K. Muralitharan, R. Sakthivel, R. Vishnuvarthan, Neural network based optimization approach for energy demand prediction in smart grid, Neurocomputing 273 (2018) 199–208.
[14] P. Sutthichaimethee, D. Ariyasajjakorn, Fore¬casting energy consumption in short-term and long-term period by using arimax model in the construction and materials sector in Thailand, Journal of Ecological Engineering 18 (2017) 52–59.
[15] M.A. Behrang, E. Assareh, M.R. Assari, A. Ghanbarzadeh, Total energy demand estimation in Iran using bees algorithm, Energy Sources, B: Economics, Planning and Policy 6 (2011) 294–303.
[16] A. Sozen, E. Arcaklioglu, Prediction of net energy consumption based on economic indicators (GNP and GDP) in Turkey, Energy Policy 35 (2007) 4981–4992.[17] A. Sozen, E. Arcaklioglu, M. Ozkaymak, Turkey’s net energy consumption, Applied Energy 81 (2005) 209–221.
[18] A. Sozen, M.A. Akcayol, E. Arcaklioglu, Forecasting net energy consumption using artificial neural network, Energy Sources, B: Economics, Planning and Policy 1 (2006) 147–155.
[19] M. Kankal, A. Akpinar, M.I. Komurcu, T.S. Ozsahin, Modeling and forecasting of Turkey’s energy consumption using socio–economic and demographic variables, Applied Energy 88 (2011) 1927–1939.
[20] H.A. Es, F.Y. Kalender, C. Hamzaçebi, Forecasting the net energy demand of Turkey by artificial neural networks, Journal of the Faculty of Engineering and Architecture of Gazi University 29 (2014) 495–504.
[21] H.K. Ozturk, O.E. Canyurt, A. Hepbasli, Z. Utlu, Residential–commercial energy input estimation based on genetic algorithm approaches: an application of Turkey, Energy and Buildings 36 (2004) 175–183.
[22] O.E. Canyurt, H. Ceylan, H.K. Ozturk, A. Hepbasli, Energy demand estimation based on two–different genetic algorithm approaches, Energy Sources 26 (2004) 1313–1320.
[23] H. Ceylan, H.K. Ozturk, A. Hepbasli, Z. Utlu Estimating energy and exergy production and consumption values using three different genetic algorithm approaches, part 2: application and scenarios, Energy Sources 27 (2005) 629–639.
[24] H. Ceylan, H.K. Ozturk, Estimating energy demand of Turkey based on economic indicators using genetic algorithm approach, Energy Conversion and Management 45 (2004) 2525–2537.
[25] M.D. Toksari, Ant colony optimization approach to estimate energy demand of Turkey, Energy Policy 35 (2007) 3984–3990.
[26] A. Unler, Improvement of energy demand forecasts using swarm intelligence: The case of Turkey with projections to 2025, Energy Policy 36 (2008) 1937–1944.
[27] M.S. Kıran, M. Gunduz, A recombination–based hybridization of particle swarm optimization and artificial bee colony algorithm for continuous optimization problems, Applied Soft Computing 13 (2013) 2188–2203.
[28] M.S. Kıran, E. Ozceylan, M. Gunduz, T. Paksoy, A novel hybrid approach based on Particle Swarm Optimization and Ant Colony Algorithm to forecast energy demand of Turkey, Energy Conversion and Management 53 (2012) 75–83.[29] V.S. Ediger, S. Akar, ARIMA forecasting of primary energy demand by fuel in Turkey, Energy Policy 35 (2007) 1701–1708.
[30] M. Mucuk, D. Uysal Turkey’s energy demand, Current Research Journal of Social Sciences 1 (2009) 123–128.
[31] N.P. Say, M. Yucel, Energy consumption and CO2 emissions in Turkey: Empirical analysis and future projection based on an economic growth, Energy Policy 34 (2006) 3870–3876.
[32] G. Aydin, Modeling of energy consumption based on economic and demographic factors: the case of Turkey with projections, Renewable and Sustainable Energy Reviews 35 (2014) 382–389.
[33] V.S. Ediger, H. Tatlidil, Forecasting the primary energy demand in Turkey and analysis of cyclic patterns, Energy Conversion and Management 43 (2002) 473–487.
[34] M.F. Tefek, H. Uğuz, M. Güçyetmez, A new hybrid gravitational search–teaching–learning-based optimization method for energy demand estimation of Turkey, Neural Computing and Applications 2017. http://dx.doi.org/10.1007/s00521-017-3244-9.
[35] E. Uzlu, A. Akpınar, H.T. Öztürk, S. Nacar, M. Kankal, Estimates of hydroelectric generation using neural networks with artificial bee colony algorithm for Turkey, Energy 69 (2014) 638–647.
[36] M. Kankal, E. Uzlu, Neural network approach with teaching-learning-based optimization for modeling and forecasting long-term electric energy demand in Turkey, Neural Computing and Applications 28 (2017) 737–747.
[37] D.E. Rumelhart, G.E. Hinton, R.J. Williams, Learning representations by back–propagating errors, Nature 323 (1986) 533–536.
[38] D. Karaboga, An idea based on honey bee swarm for numerical optimization. Technical Report-TR06, Erciyes University Engineering Faculty Computer Engineering Department; 2005.
[39] S. Mirjalili, M.S. Mirjalili, A. Lewis, Grey wolf optimizer. Advances in Engineering Software 69 (2014) 46–61. [40] S. Mirjalili, How effective is the Grey Wolf optimizer in training multi-layer perceptrons, Applied Intelligence 43 (2015) 150–161.
[41] Türkiye İstatistik Kurumu (TÜİK). Nüfus ve demografi, nüfus istatistikleri.
[42] Türkiye İstatistik Kurumu (TÜİK). Dış ticaret, yıllara göre dış ticaret.
[43] Strateji ve Bütçe Başkanlığı (SBB), Ekoomik ve sosyal göstegeler, milli gelir ve ürerim
[44] Türkiye İhracatçılar Meclisi (TİM). 2023 Türkiye ihracat stratejisinin uygulamaya aktarılması ve sektörel kırılımı. http://www.tim.org.tr/files/downloads/2023/tim%202023%20ihracat%20stratejisi%20raporu.pdf

Ayrıntılar

Birincil Dil

Türkçe

Konular

Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Ergun Uzlu
0000-0002-2394-179X
Türkiye

Yayımlanma Tarihi

11 Haziran 2019

Gönderilme Tarihi

30 Ocak 2019

Kabul Tarihi

3 Mart 2019

Yayımlandığı Sayı

Yıl 2019 Cilt: 7 Sayı: 2

DOI

https://doi.org/10.29109/gujsc.519553

IZ

https://izlik.org/JA33HX26GF

Kaynak Göster

RIS / Bibtex

APA

Uzlu, E. (2019). Türkiye için gri kurt optimizasyon algoritması ile yapay sinir ağlarını kullanarak enerji tüketiminin tahmini. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 7(2), 245-262. https://doi.org/10.29109/gujsc.519553

Cited By

Optimum Enerji Verimliliğini Hedefleyen Rastgele Ağaçlar ve Yapay Arı Kolonisi Yöntemi ile Otonom Robotlarda Yol Planlama Algoritması

Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji

https://doi.org/10.29109/gujsc.607996

Türkiye için gri kurt optimizasyon algoritması ile yapay sinir ağlarını kullanarak enerji tüketiminin tahmini

Türkiye için gri kurt optimizasyon algoritması ile yapay sinir ağlarını kullanarak enerji tüketiminin tahmini

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

Optimum Enerji Verimliliğini Hedefleyen Rastgele Ağaçlar ve Yapay Arı Kolonisi Yöntemi ile Otonom Robotlarda Yol Planlama Algoritması

Estimates of greenhouse gas emission in Turkey with grey wolf optimizer algorithm-optimized artificial neural networks

Türkiye İçin Net Enerji Tüketimin Sinir Ağı ve Nöro-Bulanık Model ile Karşılaştırmalı Analizi

Investigation of Maximum Power Point Tracking Methods in Photovoltaic Sytems

Jaya algoritması ile optimize edilmiş yapay sinir ağlarını kullanarak Türkiye’de elektrik enerjisi tüketiminin tahmini

SÜRÜ ZEKÂSI TABANLI ALGORİTMALAR İLE TÜRKİYE’NİN UZUN VADELİ ENERJİ TÜKETİM TAHMİNİ

Geliştirilmiş Kızıl Tilki Optimizasyon Algoritması ile Da-Da Alçaltıcı Tip Dönüştürücü PI Katsayılarının Optimizasyonu