Estimating Electricity Consumption Levels in Dwellings Using Artificial Neural Networks

Yıl 2020, , 173 - 186, 31.10.2020

Uğur Ercan , Sezgin Irmak , Kerim Kürşat Çevik , Erokan Canbazoğlu

https://doi.org/10.17233/sosyoekonomi.2020.04.09

Cited By: 2

Öz

Most of the studies on electricity consumption were conducted using econometric models and statistical methods. Studies that aiming at predicting electricity consumption levels using household characteristics and utilizing machine learning methods couldn’t be found in the literature. This study is aiming at presenting a model proposal that predicts the electricity consumption levels in dwellings as lower consumption and higher consumption classes, using household and dwelling characteristics. Artificial Neural Networks were utilized as a machine learning method in modeling phase. Data were gathered from Turkish Statistical Institution’s Household Budget Survey. The records having no electricity consumption were removed and mean electricity consumption was determined from remaining 32,765 households. Records above the mean were labelled as high-consumption class and that are below the mean were labelled as low-consumption class. ANN model training was carried out using 24,574 (70%) household data. Remaining 8,191 (30%) household data were used for testing the model. The success of the model was 75.11% at training phase, and it was 65.56% at testing phase. As a result, the model proposal predicting electricity consumption levels using household and dwelling characteristics to contribute electricity production and distribution planning is presented.

Anahtar Kelimeler

Artificial Neural Networks, Electricity Consumption, Classification

Yapay Sinir Ağları Kullanılarak Konutlarda Elektrik Tüketimi Düzeylerinin Tahmin Edilmesi

Öz

Elektrik tüketimine yönelik gerçekleştirilen çalışmaların büyük çoğunluğu ekonometrik modeller ve istatistiksel yöntemler kullanılarak gerçekleştirilmiştir. Literatürde elektrik tüketim düzeylerini, hanehalkı karakteristiklerini kullanarak makine öğrenmesi yöntemleri ile tahmin eden modeller bulunmamaktadır. Çalışmanın amacı, konutlardaki elektrik tüketimi düzeylerini, düşük tüketim ve yüksek tüketim olmak üzere hanehalkı ve konut özelliklerini kullanarak tahmin eden bir model önerisi sunmaktır. Modelleme aşamasında makine öğrenmesi yöntemlerinden Yapay Sinir Ağları kullanılmıştır. Çalışmada, TÜİK tarafından derlenen hanehalkı bütçe anketi verilerinden elektrik tüketim harcaması olmayan kayıtlar çıkarılarak geriye kalan 32.765 hanenin ortalama elektrik tüketimi belirlenmiş, ortalamanın altında kalan kayıtlar düşük, ortalamanın üstünde kalan kayıtlar ise yüksek tüketim olarak etiketlenmiştir. Yapay Sinir Ağları ile 24.574 (%75) hanenin verisi kullanılarak modelin eğitimi gerçekleştirilmiştir. Geriye kalan 8.191 (%25) hanenin verisi ise eğitilmiş modelin test edilmesi için ayrılmıştır. Eğitim aşamasında modelin başarımı %75,11, test aşamasında ise %65,56 olarak gerçekleşmiştir. Sonuç olarak hanehalkı ve konut özellikleri kullanılarak elektrik üretimi ve dağıtımı planlamasına katkı verebilecek bir elektrik tüketim düzeyi tahmin modellemesi önerisi sunulmaktadır.

Anahtar Kelimeler

Yapay Sinir Ağları, Elektrik Tüketimi, Sınıflandırma

Kaynakça

• Akan, Y. & S. Tak (2003), “Türkiye elektrik enerjisi ekonometrik talep analizi”, Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 17(1-2).
• Bartusch, C. & M. Odlare & F. Wallin & L. Wester (2012), “Exploring variance in residential electricity consumption: Household features and building properties”, Applied Energy, 92, 637-643.
• Bedir, M. & E.C. Kara (2017), “Behavioral patterns and profiles of electricity consumption in dutch dwellings”, Energy and Buildings, 150, 339-352.
• Besagni, G. & M. Borgarello (2018), “The determinants of residential energy expenditure in Italy”, Energy, 165, 369-386.
• Brounen, D. & N. Kok & J.M. Quigley (2012), “Residential energy use and conservation: Economics and demographics”, European Economic Review, 56(5), 931-945.
• Chen, W. vd. (2020), “Modeling flood susceptibility using data-driven approaches of naïve bayes tree, alternating decision tree, and random forest methods”, Science of The Total Environment, 701, 1-11.
• Çevik, K.K. & E. Dandıl (2012), “Yapay Sinir Ağları İçin NET Platformunda Görsel Bir Eğitim Yazılımının Geliştirilmesi”, Bilişim Teknolojileri Dergisi, 5(1), 19-28.
• Çevik, K.K. & H.E. Koçer (2013), “Parçacık sürü optimizasyonu ile yapay sinir ağları eğitimine dayalı bir esnek hesaplama uygulaması”, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 17(2), 39-45.
• Du, G. & W. Lin & C. Sun & D. Zhang (2015), “Residential electricity consumption after the reform of tiered pricing for household electricity in China”, Applied Energy, 157, 276-283.
• Emeç, H. & A. Altay & E. Aslanpay & M.O. Özdemir (2015), “Türkiye’de enerji yoksulluğu ve enerji tercihi profili”, Finans Politik & Ekonomik Yorumlar, 52(608), 9-21.
• Ertuğrul, H.M. (2011), “Türkiye’de elektrik tüketimi büyüme ilişkisi: dinamik analiz”, Enerji, Piyasa ve Düzenleme, 2(1), 49-73.
• Esmaeilimoakher, P. & T. Urmee & T. Pryor & G. Baverstock (2016), “Identifying the determinants of residential electricity consumption for social housing in Perth, Western Australia”, Energy and Buildings, 133, 403-413.
• EÜAŞ (2017), Elektrik Üretim Sektör Raporu, Ankara: Araştırma Planlama ve Koordinasyon Dairesi Başkanlığı İstatistik ve Araştırma Müdürlüğü.
• EÜAŞ (2019), Elektrik Üretimi ve Ticari Sektör Raporu, Ankara: Strateji Geliştirme Dairesi Başkanlığı Stratejik Planlama Müdürlüğü.
• Filippini, M. & S. Pachauri (2004), “Elasticities of electricity demand in urban Indian households”, Energy Policy, 32(3), 429-436.
• Güloğlu, B. & E. Akın (2014), “Türkiye’de Hane Halkları Elektrik Talebinin Belirleyicileri: Sıralı Logit Yaklaşımı”, Siyaset, Ekonomi ve Yönetim Araştırmaları Dergisi, 2(3), 1-20.
• Haykin, S. (2010), Neural Networks and Learning Machines, 3/E: Pearson Education India.
• Hornik, K. & M. Stinchcombe & H. White (1989), “Multilayer feedforward networks are universal approximators”, Neural Networks, 2(5), 359-366.
• Huang, W.-H. (2015), “The determinants of household electricity consumption in Taiwan: Evidence from quantile regression”, Energy, 87, 120-133.
• Khanna, N.Z. & J. Guo & X. Zheng (2016), “Effects of demand side management on Chinese household electricity consumption: Empirical findings from Chinese household survey”, Energy Policy, 95, 113-125.
• Kim, M.-J. (2018), “Characteristics and determinants by electricity consumption level of households in Korea”, Energy Reports, 4, 70-76.
• Liao, H.-C. & T.-F. Chang (2002), “Space-heating and water-heating energy demands of the aged in the US”, Energy Economics, 24(3), 267-284.
• Marakas, G.M. (2003), Modern data warehousing, mining, and visualization: core concepts, Prentice Hall Upper Saddle River, NJ.
• McLoughlin, F. & A. Duffy & M. Conlon (2012), “Characterising domestic electricity consumption patterns by dwelling and occupant socio-economic variables: An Irish case study”, Energy and Buildings, 48, 240-248.
• Mucuk, M. & D. Uysal (2009), “Türkiye ekonomisinde enerji tüketimi ve ekonomik büyüme”, Maliye Dergisi, 157, 105-115.
• Özcan, K.M. & E. Gülay & Ş. Üçdoğruk (2013), “Economic and demographic determinants of household energy use in Turkey”, Energy Policy, 60, 550-557.
• Pham, D. & M. Packianather & E.Y.A. Charles (2006), “A novel self-organised learning model with temporal coding for spiking neural networks”, in: Intelligent Production Machines and Systems, Elsevier, 307-312.
• Rahut, D.B. & S. Das & H. De Groote & B. Behera (2014), “Determinants of household energy use in Bhutan”, Energy, 69, 661-672.
• Sakah, M. vd. (2019), “A study of appliance ownership and electricity consumption determinants in urban Ghanaian households”, Sustainable Cities and Society, 44, 559-581.
• Sánchez-Sellero, M.-C. & P. Sánchez-Sellero (2019), “Variables determining total and electrical expenditure in Spanish households”, Sustainable Cities and Society, 48, 101535.
• Selçuk, I.Ş. (2018), “Türkiye hanehalkı elektrik tüketim yapısı: elektrikli ev aletleri ve enerji verimliliği”, Fiscaoeconomia, 2(2), 125-140.
• T.C. Enerji ve Tabii Kaynaklar Bakanlığı (2020), Elektrik, <https://www.enerji.gov.tr/tr-TR/Sayfalar/Elektrik>, 03.04.2020.
• Tsetsekas, C.A. & A.G. Fertis & I.S. Venieris (2006), “Dynamic Application Profiles using Neural Networks for adaptive quality of service support in the Internet”, Computer Communications, 29(15), 2985-2995.
• TÜİK (2009), 2009 TÜİK Hane Halkı Bütçe Anketi Verileri, Ankara.
• TÜİK (2010), 2010 TÜİK Hane Halkı Bütçe Anketi Verileri, Ankara.
• TÜİK (2011), 2011 TÜİK Hane Halkı Bütçe Anketi Verileri, Ankara.
• TÜİK (2012), 2012 TÜİK Hane Halkı Bütçe Anketi Verileri, Ankara.
• TÜİK (2020), Çevre ve Enerji, Net Elektrik Tüketiminin Sektörlere Göre Dağılımı, <http://www.tuik.gov.tr/UstMenu.do?metod=temelist>, 03.05.2020.
• Wiesmann, D. & I.L. Azevedo & P. Ferrão & J.E. Fernández (2011), “Residential electricity consumption in Portugal: Findings from top-down and bottom-up models”, Energy Policy, 39(5), 2772-2779.
• Yohanis, Y.G. & J.D. Mondol & A. Wright & B. Norton (2008), “Real-life energy use in the UK: How occupancy and dwelling characteristics affect domestic electricity use”, Energy and Buildings, 40(6), 1053-1059.
• Yoo, S.-H. (2005), “Electricity consumption and economic growth: evidence from Korea”, Energy Policy, 33(12), 1627-1632.
• Zhang, G.P. (2004), Neural networks in business forecasting: IGI global.
• Zou, B. & B. Luo (2019), “Rural household energy consumption characteristics and determinants in China”, Energy, 182, 814-823.