Developing methodology for energy demand estimation: 2030 year case of Turkey

Abstract

The demand for electrical energy is increasing day by day due to various factors throughout the world. Plans and investment for productivity in the future are needed to meet this need increasing. Reliable demand estimations are important in matters considered such as electricity generation, transmission, distribution, integration with each other of systems, how much energy in power plants should be produced and the consumer should be delivered from which grid connection the generated energy. Using artificial neural networks and multiple regression analysis methods in the study, scenarios were produced for the 2030 year electrical energy needs estimates with the 2009-2018 year dates in provinces of Turkey to benefit our country at critical points and create a different perspective on the demand estimation result. Population, average household size, education level, gross domestic product, exports, imports, industrial were used as the input data of models and electrical energy consumption were used as the output data of models. An average of %98 absolute success in the models was obtained in estimation performance analysis of the 2030 year electricity energy demand with Turkey’s 81 province. Utilizing geographic information systems was discussed on result maps.

Keywords

• Geographic information systems
• Multiple regression analysis
• Electrical energy demand estimation
• Artificial neural networks

Enerji talep tahmini için metodoloji geliştirme: 2030 yılı Türkiye örneği

Öz

Dünya genelinde çeşitli etkenlerden dolayı her geçen gün elektrik enerjisine olan talep artmaktadır. Artan bu ihtiyacı karşılamak adına geleceğe yönelik verimlilik noktasında plan ve yatırımlara gereksinim vardır. Elektriğin üretimi, iletilmesi, dağıtılması, sistemlerin birbirleri arasındaki entegrasyonu ve üretilen bu enerjinin hangi şebeke bağlantısından tüketiciye ulaştırılması gerektiği düşünüldüğünde güvenilir talep tahminleri önem arz etmektedir. Ülkemize kritik noktalarda fayda sağlayabilmek ve talep tahmini sonucuna farklı bir bakış yaratabilmek adına çalışmada yapay sinir ağları ve çoklu regresyon analizi yöntemleri kullanılarak Türkiye’nin iller bazında 2009-2018 yıllarına ait verileriyle 2030 yılı elektrik enerjisi ihtiyaç tahminleri için senaryolar üretilmiştir. Nüfus, ortalama hane halkı büyüklüğü, eğitim durumu, Gayri Safi Yurtiçi Hâsıla, ihracat, ithalat, sanayi girdi ve elektrik enerji tüketim miktarı modellerde çıktı verisi olarak kullanılmıştır. Modeller ile Türkiye’nin 81 iline ait 2030 yıllı elektrik enerjisi talebinin tahmin performans analizlerinde ortalama %98 mutlak başarı elde edilmiş ve coğrafi bilgi sistemlerinden faydalanılarak sonuç haritaları üzerinde tartışılmıştır.

Anahtar Kelimeler

• Coğrafi Bilgi sistemleri
• Çoklu Regresyon Analizi
• Elektrik enerjisi talep tahmini
• Yapay Sinir Ağları

Kaynakça

1. [1] E. Koç ve M.C. Şenel, Dünyada ve Türkiye’de enerji durumu-genel değerlendirme. Mühendis ve Makina, 54(639), 32-44, 2013.
2. [2] E. Koç ve K. Kaya, Enerji kaynakları-yenilenebilir enerji durumu. Mühendis ve Makina, 56(668), 36-47, 2015.
3. [3] C. Hamzaçebi ve F. Kutay, Yapay sinir ağları ile Türkiye elektrik enerjisi tüketiminin 2010 yılına kadar tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 19(3), 227-233, 2004.
4. [4] R. L. Carlson and M. M. Umble, Statistical demand functions for automobiles and their use for forecasting in an energy crisis. The Journal of Business, 53(2), 193-204, 1980. http://dx.doi.org/10.1086/296080.
5. [5] E. Gavcar, S. Şen ve A. Aytekin, Türkiye’de kullanılan kağıt-karton türlerinin talep tahminlerinin belirlenmesi. Turkish Journal of Agriculture and foresty, 23, 203-211, 1999.
6. [6] S. L. Zhou, T. A. McMahon, A. Walton and J. Lewis, Forecasting operational demand for an urban water supply zone. Journal of Hydrology, 259(1-4), 189-202, 2002.https://doi.org/10.1016/S0022- 1694(01)00582-0.
7. [7] M. Atay, Y. Eroğlu ve S. U. Seçkiner, Yapay sinir ağları ve adaptif nörobulanık sistemler ile 3. İstanbul Havalimanı talep tahmini ve Türk Hava Yolları iç hat filo optimizasyonu. Endüstri Mühendisliği Dergisi, 30(2), 141-156, 2019.
8. [8] W. E. Griffiths, L. S. Newton and C. J. O’Donnell, Predictive densities for models with stochastic repressors and inequality constraints: forecasting local-area wheat yield. International Journal of Forecasting, 26(2), 397-412, 2010.

9. [9] M. Karahan, İstatistiksel tahmin yöntemleri: yapay sinir ağları metodu ile ürün talep tahmini uygulaması. Doktora tezi, Konya Selçuk Üniversitesi Sosyal Bilimler Enstitüsü, Türkiye, 2011.
10. [10] Z. Dilaver and L. C. Hunt, Industrial electricity demand for Turkey: a structural time series analysis. Energy Economics, 33(3), 426-436, 2011. https://doi.org/ 10.1016/j.eneco.2010.10.001.
11. [11] A. Kialashaki and J. R. Reisel, Development and validation of artificial neural network models of the energy demand in the industrial sector of the United States. Energy, 76, 749-760, 2014. https://doi.org/ 10.1016/j.energy.2014.08.072.
12. [12] E. Boltürk, Elektrik talebi tahmininde kullanılan yöntemlerin karşılaştırılması. Yüksek lisans tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, Türkiye, 2013.
13. [13] D. Aydın, Yapay sinir ağları yardımı ile talep tahmin analizi ve deniz taşımacılığı sektöründe bir uygulama. Yüksek lisans tezi, İstanbul Marmara Üniversitesi Sosyal Bilimler Enstitüsü, Türkiye, 2012.
14. [14] İ. Uygun, Yapay sinir ağları yardımıyla enerji sektöründe talep tahmini. Yüksek lisans tezi, İstanbul Marmara Üniversitesi Sosyal Bilimler Enstitüsü, Türkiye, 2015.
15. [15] P. Masaebi, Yapay sinir ağları ile İran elektrik tüketim tahmini. Yüksek lisans tezi, Trabzon Karadeniz Teknik Üniversitesi Fen Bilimleri Enstitüsü, Türkiye, 2016.
16. [16] H.T. Pao, Comparing linear and nonlinear forecasts for Taiwan’s electricity consumption. Energy, 31(12), 2129-2141, 2006. https://doi.org/10.1016/j.energy. 2005.08.010.
17. [17] K. Kavaklioglu, H. Ceylan, H. K. Ozturk and O.E. Canyurt, Modeling and prediction of Turkey’s electricity consumption using Artificial Neural Networks. Energy Conversion and Management, 50(11), 2719- 2727, 2009. https://doi.org/10.1016/ j.enconman.2009.06.016.
18. [18] H. A. Es, F.Y. Kalender ve C. Hamzaçebi, Yapay sinir ağları ile Türkiye net enerji talep tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 29(3), 495-504, 2014. https://doi.org/10.17341/ gummfd.41725.
19. [19] E. Erdogdu, Electricity demand analysis using cointegration and ARIMA modelling: A case study of Turkey. Energy Policy, 35(2), 1129-1146, 2007. https://doi.org/10.1016/j.enpol.2006.02.013.
20. [20] Ö. Demirel, A. Kakilli ve M. Tektaş, Anfis ve Arma modelleri ile elektrik enerjisi yük tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 25(3), 601-610, 2010.
21. [21] S. Kucukali and K. Baris, Turkey’s short-term gross annual electricity demand forecast by fuzzy logic approach. Energy Policy, 38(5), 2438-2445, 2010. https://doi.org/10.1016/j.enpol.2009.12.037.
22. [22] V. Bianco, O. Manca and S. Nardini, Electricity consumption forecasting in Italy using linear regression models. Energy, 34(9), 1413- 1421, 2009. https://doi.org/10.1016/j.energy.2009.06.034.
23. [23] K. Kavaklioglu, Modeling and prediction of Turkey’s electricity consumption using Support Vector Regression. Applied Energy, 88(1), 368-375, 2011. https://doi.org/10.1016/j.apenergy.2010.07.021.
24. [24] Y. Vecihi, Genetik algoritma ile Türkiye net elektrik enerjisi tüketiminin 2020 yılına kadar tahmini. International Journal of Engineering Research and Development, 3(2), 37-41, 2011.
25. [25] H. K. Ozturk, H. Ceylan, O. E. Canyurt and Arif Hepbasli, Electricity estimation using genetic Algorithm approach: a case study of Turkey. Energy, 30(7), 1003-1012, 2005. https://doi.org/10.1016/ j.energy.2004.08.008.
26. [26] H. A. Amarawickrama and L. C. Hunt, Electricity demand for Sri Lanka: a time series analysis. Energy, 33(5), 724-739, 2008. https://doi.org/10.1016/ j.energy .2007.12.008
27. [27] F. Gurbuz, C. Ozturk and P. Pardalos, Prediction of electricity energy consumption of Turkey via artificial bee colony: a case study. Energy Systems, 4(3), 289-300, 2013.
28. [28] International Energy Agency, IEA statistics: World energy balances overview 2019. http://www.iea.org, Accessed 6 April 2020.
29. [29] International Energy Agency, IEA statistics: Key world energy statistics 2019. http://www.iea.org/statistics/, Accessed 6 April 2020.
30. [30] British Petroluem (BP), BP statistical review of world energy 2019. https://www.bp.com/content/dam/bp/ business- sites/en/global/corporate/pdfs/energy-economics/statistical- review/bp-statsreview-2019-full-report.pdf, Accessed 6 April 2020.
31. [31] Türkiye Petrolleri, 2018 yılı ham petrol ve doğal gaz sektör raporu. Türkiye Petrolleri Strateji Geliştirme Daire Başkanlığı, Mayıs 2019.
32. [32] Organization of the Petroleum Exporting Countries, Energy demand. https://woo.opec.org/ chapter.php? chapterNr=100, Accessed 6 April 2020.
33. [33] T.C. Enerji ve Tabii Kaynaklar Bakanlığı, Denge tablosu 2017- 2018. https://enerji.gov.tr/enerji-isleri-genel-mudurlugu-denge- tablolari, Erişilen tarih 8 Nisan 2020.
34. [34] The Worlds Bank , https://datatopics.worldbank.org/ “world- development-indicators/, Accessed 15 December 2020.
35. [35] International Energy Agency, https://www.iea.org/, Accessed 15 December 2020.
36. [36] Türkiye Elektrik İletim A.Ş., Elektrik enerjisi üretimi-tüketimi- kayıplar 2017. https://www.teias.gov.tr/tr-TR/turkiye-elektrik-uretim- iletim-istatistikleri, Erişilen tarih 8 Nisan 2020.
37. [37] O. Türkyılmaz ve Y. Bayrak, Türkiye’nin enerji görünümü 2018. TMMOB Makina Mühendisleri Odası, MMO/691, Ankara.
38. [38] Ö. Gültekin, Bursa ili orta dönem elektrik talep tahmini. Yüksek lisans tezi, Kütahya Dumlupınar Üniversitesi Fen Bilimleri Enstitüsü, Türkiye, 2009.
39. [39] C. Hamzacebi, Forecasting of Turkey’s net electricity energy consumption on sectoral bases. Energy Policy, 35(3), 2009-2016, 2007. https://doi.org/10.1016/j. enpol.2006.03.014.
40. [40] K. Kavaklioglu, Principal components based robust vector autoregression prediction of Turkey’s electricity consumption. Energy Systems, 10(4), 889-910, 2019.
41. [41] Z. Mohamed and P. Bodger, Forecasting electricity consumption in New Zealand using economic and demographic variables. Energy, 30(1), 1833-1843, 2005. https://doi.org/10.1016/j.energy.2004.08.012.
42. [42] M. Bilgili, B. Sahin, A. Yasar and E. Simsek, Electric energy demands of Turkey in residential and industrial sectors. Renewable and Sustainable Energy Reviews, 16(1), 404-414, 2012. https://doi.org/10.1016/ j.rs er.2011.08.005.
43. [43] F. Kaytez, M. C. Taplamacioglu, E. Cam and F. Hardalac, Forecasting electricity consumption: A comparison of regression analysis, neural networks and least squares support vector machines. Electrical Power and Energy Systems, 67(1), 431-438, 2015. https:// doi .org/10.1016/j.ijepes.2014.12.036.
44. [44] H. Yurtoğlu, Yapay sinir ağları metodolojisi ile öngörü modellemesi: bazı makroekonomik değişkenler için Türkiye örneği. DPT-Uzmanlık Tezi, yayın no:DPT:2683, Ekonomik Modeller ve Stratejik Araştırmalar Genel Müdürlüğü, 2005.
45. [45] F. O. Hocaoğlu, K. Kaysal ve A. Kaysal, Yük tahmini için hibrit (YSA ve regresyon) model. Academic Platform Journal of Engineering and Science, 3(2), 33-39, 2015.
46. [46] F. B. Ünel, Taşınmaz değerleme kriterlerine yönelik coğrafi veri modelinin geliştirilmesi. Doktora tezi, Konya Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Türkiye, 2017.
47. [47] D. Anderson and G. McNeill, Artificial neural networks technology. New York: Rome Laboratory, ELIN: A011, 1992.
48. [48] C. Lin and P. Hsu, Forecast of non-alcoholic beverage sales in Taiwan using the grey theory. Asia Pacific Journal of Marketing and Logistics, 14(4), 3-12, 2002.
49. [49] B. C. Ervural, I. U. Sarı ve B. Koçyiğit, Kural tabanlı bulanık yaklaşımla talep tahmini ve hızlı tüketim sektöründe bir uygulama. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24(1), 83-93, 2018.