Yapay sinir ağı kullanılarak enerji talebi tahmini ve parabolik oluklu güneş kolektörü uygulaması: Kastamonu ili örneği

Öz

Arka Plan—Ekonomik kalkınma, teknolojik gelişmeler ve nüfus artışı, enerji gereksinimlerini daha da artırmaktadır. Bu nedenle, enerji tüketiminin doğru ve güvenilir yöntemlerle öngörülmesi ile uygun enerji üretim yöntemlerinin belirlenmesi, etkin ve sürdürülebilir enerji planlaması açısından büyük önem taşımaktadır. Bu çalışmada görece düşük güneş ışınımına sahip bölgede parabolik oluk güneş kolektörlerin (POGK) uygulanabilirliği incelenmiştir.

Amaç—Kastamonu Üniversitesi'ne ait yerleşkenin 2040 yılı enerji talebinin doğru ve güvenilir yöntemlerle belirlenmesi, belirlenen talebin tasarlanan optimum kapasitedeki POGK enerji üretim santralinden karşılanması ve santral enerji verimliliğinin artırılması amaçlanmıştır.

Yöntem—Yapay sinir ağı (YSA) modellerinin geliştirilmesine yönelik olarak MATLAB ortamında özgün bir yazılım altyapısı tasarlanmış ve uygulanmıştır. Çalışma kapsamında geliştirilen tüm Çok Katmanlı Algılayıcı (MLP) modelleri dört katmanlı bir mimari üzerine inşa edilmiş; giriş ve gizli katmanlardaki nöron sayıları 1–10 aralığında sistematik olarak değiştirilmek suretiyle toplam 100 farklı YSA modeli oluşturulmuştur. Veri setiyle uyumlu Box– Jenkins model yapısının tespit edilmesi amacıyla elektrik ve doğal gaz tüketim verileri için çeşitli modeller geliştirilmiştir. Bu kapsamda elektrik tüketimi için sabit terim içermeyen ARIMA (3,1,2) modeli, doğal gaz tüketimi için ise sabit terim içeren ve doğal logaritmik dönüşüm uygulanmış ARIMA (1,0,0) modeli en uygun seçenekler olarak tespit edilmiştir. Yerleşkenin enerji talebi, elektrik ve termal enerji üretimini birlikte gerçekleştiren POGK santralinden enerji üretimi yöntemiyle karşılanmıştır.

Bulgular—Elektrik ve doğal gaz tüketim verileri için Çok Katmanlı Algılayıcı (MLP) modeli kullanılarak elde edilen Ortalama Mutlak Yüzde Hata (MAPE) değeri %4.33 olarak hesaplanırken, aynı veriler için kurulan ARIMA modelinde bu değer %4.94 olarak bulunmuştur. Elde edilen sonuçlar, model performansının enerji türüne ve kullanılan hata ölçütüne bağlı olarak değişebildiğini göstermektedir. Elde edilen model sonuçlarına göre, 2040 yılı itibarıyla yerleşkenin elektrik enerjisi talebinin 3393349 kWh, doğal gaz talebinin ise 1094804 Nm³ düzeyinde olacağı öngörülmektedir. Bu talebin karşılanabilmesi amacıyla, her biri 22 adet POGK’den oluşan toplam 11 modülden meydana gelen bir POGK santrali tasarlanmıştır. Santral, yerleşkenin toplam elektrik enerjisi ihtiyacının tamamını ve ısıl enerji gereksiniminin yaklaşık %47’sini karşılayabilecek kapasitede olduğu belirlenmiştir.

Sonuç—POGK sistemi, yenilenebilir enerji kaynaklarının etkin kullanımını destekleyerek enerji arz güvenliğinin artırılmasına yönelik önemli bir çözüm sunmaktadır. Araştırma bulguları, güneşlenme süresinin görece düşük olduğu bölgelerde dahi bu tür sistemlerin hem elektrik hem de termal enerji üretiminde uygulanabilir olduğunu hesaplamalar ve analizler aracılığıyla ortaya koymaktadır.

Anahtar Kelimeler

• Yapay sinir ağı
• Enerji tüketimi
• Enerji talep tahmini
• Parabolik oluk güneş kolektörü

Energy demand prediction using artificial neural networks and parabolic trough solar collector implementation: The case of Kastamonu province

Öz

Context—Economic development, technological advancement, and population growth continue to drive increasing energy demand. Consequently, the accurate and reliable forecasting of energy consumption, together with the identification of appropriate energy production methods, is essential for effective and sustainable energy planning. This study investigates the feasibility of parabolic trough solar collectors (PTSCs) in a region with relatively low solar irradiance.

Objective—This study aims to accurately and reliably estimate the energy demand of the Kastamonu University campus in 2040, supply this demand using a parabolic trough solar collector (PTSC) power plant designed at optimum capacity, and enhance the overall energy efficiency of the plant.

Method—An original software framework was designed and implemented in the MATLAB environment to develop artificial neural network (ANN) models. All multilayer perceptron (MLP) models developed in this study were based on a four-layer architecture; a total of 100 ANN models were generated by systematically varying the number of neurons in the input and hidden layers from 1 to 10. To determine the Box–Jenkins model structure best suited to the dataset, several models were developed for electricity and natural gas consumption data. As a result, an ARIMA (3,1,2) model without a constant term was identified as the most appropriate for electricity consumption, while an ARIMA (1,0,0) model with a constant term and a natural logarithmic transformation was selected for natural gas consumption. The campus energy demand was supplied by a parabolic trough solar collector (PTSC) plant capable of simultaneous electricity and thermal energy generation.

Results—For the electricity and natural gas consumption datasets, the Mean Absolute Percentage Error (MAPE) obtained using the multilayer perceptron (MLP) model was 4.33%, whereas the corresponding value for the ARIMA model was 4.94%. The results show that model performance can vary depending on the type of energy and the error metric used. Based on the model results, the campus electricity demand in 2040 is projected to be 3393349 kWh, while the natural gas demand is estimated at 1094804 Nm³. To meet this demand, a parabolic trough solar collector (PTSC) power plant consisting of 11 modules, each comprising 22 PTSC units, was designed. The plant is capable of supplying the entire electricity demand of the campus and approximately 47% of its thermal energy requirement.

Conclusion—The PTSC system provides an effective solution for enhancing energy supply security through the efficient utilization of renewable energy resources. The research findings, supported by comprehensive calculations and analyses, demonstrate that these systems are technically feasible for both electricity and thermal energy generation, even in regions with relatively low solar irradiance.

Anahtar Kelimeler

• Artificial neural network
• Energy consumption
• Energy demand prediction
• Parabolic trough solar collector

Kaynakça

1. International Energy Agency, “World Energy Outlook 2021”, https://iea.blob.core.windows.net/assets/4ed140c1-c3f3-4fd9-acae-789a4e14a23c/WorldEnergyOutlook2021.pdf (24.02.2026).
2. W. Strielkowski, A. Vlasov, K. Selivanov, K. Muraviev, V. Shakhnov, “Prospect and challenges of the machine learning and data-driven methods for predictive analysis of power system: A review”, Energies, 16(10), 4025, 2023. https://doi.org/10.3390/en16104025.
3. H. G. Reşat, “Design and development of hybrid forecasting model using artificial neural networks and ARIMA methods for sustainable energy management system: A case study in tobacco industry”, Journal of the Faculty of Engineering and Architecture of Gazi University, 35(3), 1129–1140, 2020. https://doi.org/10.17341/gazimmfd.591248.
4. S. Arslan, H. Esen, E. Avcı, C. Cengiz, “Modeling a solar power plant with artificial neural networks”, International Journal of Innovative Engineering Applications, 7(2), 201–206, 2023. https://doi.org/10.46460/ijiea.1336917.
5. F. Ascione, N. Bianco, C. De Stasio, G. M. Mauro, G. P. Vanoli, “Artificial neural networks to predict energy performance and retrofit scenarios for any member of a building category: A novel approach”, Energy, 118, 999–1017, 2017. https://doi.org/10.1016/j.energy.2016.10.126.
6. A. Sözen, E. Arcaklioğlu, M. Özkaymak, “Turkey’s net energy consumption”, Applied Energy, 81(2), 209–221, 2005. https://doi.org/10.1016/j.apenergy.2004.07.001.
7. 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(3), 495–504, 2014.
8. H. Ülkü, Ş. Yalpır, “Enerji talep tahmini için metodoloji geliştirme: 2030 yılı Türkiye örneği”, Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 10(1), 188–201, 2021. https://doi.org/10.28948/ngumuh.814134.

9. G. Şahin, “Doğal gaz talep tahmininin yapay sinir ağları ile modellenmesi: Danimarka örneği”, Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 24(1), 360–385, 2022. https://izlik.org/JA34FM38XK.
10. C. Turhan, G. Gökçen, T. Kazanasmaz, “Yapay sinir ağları ile İzmir’deki çok katlı binaların toplam enerji tüketimlerinin tahmin edilmesi”, Tesisat Mühendisliği Dergisi, 134, 61–68, 2013.
11. M. Trejo-Perea, G. Herrera-Ruiz, J. Rios-Moreno, R. C. Miranda, E. Rivas-Araiza, “Greenhouse energy consumption prediction using neural networks models”, International Journal of Agriculture and Biology, 11(1), 1–6, 2009.
12. R. Rybár, D. Kudelas, M. Beer, “Selected problems of classification of energy sources – What are renewable energy sources?”, Acta Montanistica Slovaca, 20(3), 172–180, 2015, https://openurl.ebsco.com/viewer?sid=ebsco%3Aplink%3Acrawler&id=ebsco%3Agcd%3A111281524&jrnl=13351788&crl=f&link_origin=www.google.com.
13. E. Koç, K. Kaya, “Enerji kaynakları – Yenilenebilir enerji durumu”, Mühendis ve Makina, 56(668), 36–47, 2015. https://izlik.org/JA72CZ62MU.
14. İ. İnan, İ. Akbulut, E. Aslan, “Enerji sorununun çözümünde yenilenemez ve yenilenebilir enerji kaynaklarının yeri ve önemi”, Türk Dünyası Araştırmaları, 120(237), 11–40, 2018. https://izlik.org/JA23KY22DB.
15. Ege Üniversitesi, “Yenilenebilir Enerji Kaynakları”, https://eusolar.ege.edu.tr/tr-3482/yenilenebilir-enerji-kaynaklari.html (24.02.2026).
16. G. İşler, “Parabolik oluk kollektörleri ve merkezi alıcılı güneş kuleleri ile enerji üretim analizi ve uygulaması”, Yüksek Lisans Tezi, Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Enstitüsü, Bilecik, Türkiye, 2018.
17. D. Kılıç, “Parabolik oluk tipi güneş toplayıcılı güç santralinin YSA tabanlı optimizasyonu: Bilecik uygulaması,” Yüksek Lisans Tezi, Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Enstitüsü, Bilecik, Türkiye, 2019.
18. O. Köleoğlu, “Parabolik güneş kollektörleri tasarımında havanın farklı akış şartlarında enerji verimliliği üzerine etkileri ve optimizasyonu”, Yüksek Lisans Tezi, Giresun Üniversitesi Fen Bilimleri Enstitüsü, Giresun, Türkiye, 2020.
19. A. Özcan, “Parabolik oluk tipi güneş enerji sistemlerinin sıcak su üretiminde kullanılabilirliği”, Yüksek Lisans Tezi, Dicle Üniversitesi Fen Bilimleri Enstitüsü, Diyarbakır, Türkiye, 2021.
20. M. Er, “Parabolik yansıtıcılı kompakt güneş kollektörü tasarımı ve hibrit çalışma durumunda ısıl performansının fuzzy logic yöntemi ile iyileştirilmesi”, Yüksek Lisans Tezi, Erciyes Üniversitesi Fen Bilimleri Enstitüsü, Kayseri, Türkiye, 2022.
21. P. D. Tagle, A. Agraz, C. I. Rivera, “Study of applications of parabolic trough solar collector technology in Mexican industry”, Energy Procedia, 91, 661–667, 2016. https://doi.org/10.1016/j.egypro.2016.06.227.
22. H. B. Liang, C. X. Zheng, W. D. Zheng, S. J. You, H. Zhang, “Analysis of annual performance of a parabolic trough solar collector”, Energy Procedia, 105, 888–894, 2017. https://doi.org/10.1016/j.egypro.2017.03.407.
23. Z. Leemrani, S. Marrakchi, H. Asselman, A. Asselman, “The study of the performance of a parabolic trough collector in the region of north-west of Morocco”, Procedia Manufacturing, 22, 780–787, 2018. https://doi.org/10.1016/j.promfg.2018.03.111.
24. T. A. Yassen, “Experimental and theoretical study of a parabolic trough solar collector”, Anbar Journal for Engineering Sciences, 5(1), 109–125, 2012.
25. Ü. Kaya, M. Caner, Y. Oğuz, “Rüzgar türbin modelleri kullanılarak Kastamonu ili rüzgar ile elektrik üretim potansiyeli tahmini”, Technological Applied Sciences, 11(3), 65–74, 2016. https://izlik.org/JA83SF48EL.
26. H. G. Güleç, H. Demirel, “Meteorolojik veriler kullanılarak Kastamonu ili güneşlenme şiddetinin yapay sinir ağı ile tahmini”, Technological Applied Sciences, 12(3), 114–121, 2017. https://izlik.org/JA33CC95BY.
27. Y. Yetişken, E. Arslanel, İ. Ekmekçi, M. Temur, N. Şadoğlu, “Biyogaz tesisi için Orta Karadeniz’de hayvansal atık üzerine bir etüt”, International Integrated Pollution Prevention and Control Symposium, Karabük, Türkiye, 01–03 April 2021.
28. G. Şanlı, “Parabolik oluk tipi güneş kollektörlerinin teorik olarak incelenmesi”, Yüksek Lisans Tezi, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü, Denizli, Türkiye, 2010.
29. Yeni Enerji, “Güneş Enerjisi ve Kullanım Alanları”, https://www.yenienerji.com/gunes-enerjisi-ve-kullanim-alanlari (24.02.2026).
30. D. Y. Goswami, Principles of Solar Engineering, Boca Raton, FL, USA, CRC Press, 2015.
31. A. Dündar, “Parabolik güneş kollektörlerinin gri ilişkiler yöntemine dayalı optimizasyonu”, Yüksek Lisans Tezi, Bursa Uludağ Üniversitesi Fen Bilimleri Enstitüsü, Bursa, Türkiye, 2022.
32. E. Bellos, C. Tzivanidis, “Analytical expression of parabolic trough solar collector performance”, Designs, 2(1), 9, 2018. https://doi.org/10.3390/designs2010009.
33. C. Cicibıyık, “Parabolik oluk tipi güneş kollektörü ile enerji üretimi”, Yüksek Lisans Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara, Türkiye, 2012.
34. A. Ahmad, O. Prakash, R. Kausher, G. Kumar, S. Pandey, S. M. M. Hasnain, “Parabolic trough solar collectors: A sustainable and efficient energy source”, Materials Science for Energy Technologies, 7, 99–106, 2024. https://doi.org/10.1016/j.mset.2023.08.002.
35. M. J. Taha, F. B. Kibret, V. Ramayya, B. A. Zeru, “Design and evaluation of solar parabolic trough collector system integrated with conventional oil boiler”, Archives of Electrical Engineering, 70(3), 657–673, 2021. https://doi.org/10.24425/aee.2021.137580.
36. International Energy Agency, “Solar Energy: Mapping the Road Ahead”, https://www.iea.org/reports/solar-energy-mapping-the-road-ahead (24.02.2026).
37. B. Cemek, S. Karaman, A. Ünlükara, “Tokat yöresinde seraların iklimlendirme gereksinimleri”, Gaziosmanpaşa Üniversitesi Ziraat Fakültesi Dergisi, 2006(1), 25–36, 2006. https://izlik.org/JA75PB43DJ.
38. A. S. Alsagri, “Energy performance enhancement of solar thermal power plants by solar parabolic trough collectors and evacuated tube collectors-based preheating units”, International Journal of Energy Research, 44(8), 6828–6842, 2020. https://doi.org/10.1002/er.5431.
39. F. A. Al-Sulaiman, “Exergy analysis of parabolic trough solar collectors integrated with combined steam and organic Rankine cycles”, Energy Conversion and Management, 77, 441–449, 2014. https://doi.org/10.1016/j.enconman.2013.10.013.
40. Çevre, Şehircilik ve İklim Değişikliği Bakanlığı, “Resmi İklim İstatistikleri”, https://mgm.gov.tr/veridegerlendirme/il-ve-ilceler-istatistik.aspx?k=&m=KASTAMONU (24.02.2026).