Investigation of Factors Affecting Demand For Electricity Consumption With Multiple Regression Method

Abstract

In order to be presented to consumers at reasonable prices, electricity consumption should be predicted before it is generated. This prediction gained more importance with the enactment of the Electricity Market Law No. 4628 and 6446, which liberalized the electricity market. There are many data analysis methods for the prediction of demand. Some of these models are Artificial Neural Networks, Autoregressive Moving Average and Simple/Multiple Regression. Electricity demand forecast for the success of the program has been developed and tested with a variety of methods used in the study data. studies on this issue for smart grids, which is building the network of the future are important. In this study, an electricity demand forecast program is developed by applying regression model, which uses the past data for deriving a conclusion. In addition, simple regression and multiple regressions demand forecasts are presented while investigating the effects of some factors (Gross Domestic National Product, Average Life Expectancy, and Internet Usage) on electricity consumption.

Keywords

• Regression

ÇOKLU REGRESYON METODUYLA ELEKTRİK TÜKETİM TALEBİNİ ETKİLEYEN FAKTÖRLERİN İNCELENMESİ

Öz

Bilindiği üzere üretilen elektriğin makul fiyatlarla tüketiciye sunulabilmesi için ne kadar elektrik tüketileceğinin daha önceden tahmin edilmesi gerekmektedir. Bu durum 4628 ve 6446 Sayılı Elektrik Piyasası Kanunlarının yürürlüğe girmesiyle birlikte serbestleşen elektrik piyasasında elektrik arzının talebi karşılaması için yapılan üretim planlarını etkileyen en önemli faktör olmuştur. Talep tahmini için birçok veri analizi yöntemi bulunmaktadır. Bu modellerden bazıları; Yapay Sinir Ağları, Otoregresif Hareketli Ortalamalar ve Basit/Çoklu Regresyondur. Çalışmada elektrik talep tahmini için program geliştirilmiş ve uygulanan yöntemin başarısı çeşitli verilerle test edilmiştir. Geleceğin şebeke yapısı olan akıllı şebekeler için bu konuda yapılan çalışmalar önem arz etmektedir. Çalışmada Basit Regresyon ile yapılan tahminler ile Çoklu Regresyon kullanarak yapılan talep tahminlerinin sonuçları ortaya konulmuştur. Ayrıca, elektrik tüketimine etki etmesi beklenen faktörlerden "Gayri Safi Yurt İçi Milli Hasıla", "Ortalama Yaşam Beklentisi" ve "İnternet Kullanımı"nın tüketime etkileri de gerçeklenen programla incelenmiştir.

Anahtar Kelimeler

• Regresyon
• Elektrik tüketimi talep tahmini
• Regresyon metodu

Kaynakça

1. Anderson, J. A., 1995, An Introduction to Neural Networks, MA: MIT Press. Cambridge.
2. Can, M., 2009, İşletmelerde Zaman Serileri Analizi ile Tahmin, Doktora Tezi, İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü, İstanbul.
3. C{rdenas, J.J., Romeral,J. Garcia,A., Andrade,F., 2012, “Load Forecasting Framework of Electricity Consumptions for an Intelligent Energy Management System in the User-side”, MCIA Research Group, Universitat Politècnica de
4. Catalunya, Rambla Sant Nebridi, Edifici GAIA, Terrassa 08222, Spain, Vol. 39, Issue 5, pp. 5557–5565.
5. Chang,P.C., Fan,C.Y., Lin,J.J., 2011, “Monthly Electricity Demand Forecasting Based on a Weighted Evolving Fuzzy Neural Network Approach”, Electrical Power and Energy Systems, Vol. 33(1), pp. 17-27.
6. Durğun, B. 2013, Elektrik Tüketimi İle Büyüme Arasında Nedensellik İlişkisi: Türkiye Örneği, Yüksek Lisans Tezi, Dicle Üniversitesi, Sosyal Bilimler Enstitüsü, Diyarbakır.
7. Gültekin, Ö, 2009, Bursa İli Orta Dönem Elektrik Talep Tahmini, Yüksek Lisans Tezi, Dumlupınar Üniversitesi, Fen Bilimleri Enstitüsü, Kütayha.
8. Günaşdı, N.E., 2014, Çok Değişkenli Çoklu Doğrusal Regresyon Analizinin İncelenmesi, Yüksek Lisans Tezi, Atatürk Üniversitesi, Fen Bilimler Enstitüsü, Erzurum.

9. Hesham, K.A., Nazeeruddin, M., 2002, “Electric Load Forecasting: Literature Survey and Classification of Methods”, International Journal of Systems Science, Vol. 33(1), pp. 23-34.
10. Kankal, M., Akpınar, A., Kömürcü, M.İ, Özşahin,T.Ş., 2011, “Modeling and Forecasting of Turkey’s Energy Consumption Using Socio-economic and Demographic Variables”, Applied Energy, Vol. 88, No. 5, pp. 1927-1939.
11. Kaynar, O., Taştan S., Demirkoparan F., 2011, “Yapay Sinir Ağları ile Doğalgaz Tüketim Tahmini”, 10. Ekonometri ve İstatistik Sempozyumu Özel Sayısı, Atatürk Üniversitesi, Erzurum, 25, ss.463 – 474.
12. Öztemel, E., 2006, Yapay Sinir Ağları, Papatya Yayıncılık, 2.Baskı, İstanbul, pp. 29-57,
13. Pamir N., 2005, Enerji Politikaları ve Küresel Gelişmeler, Turan-SAM Stratejik Analiz Dergisi, Ankara pp. 68-74.
14. Saravanan, S., Kannan S., Thangaraj, C., 2015, “Prediction Of India’s Electricity Demand Using Anfis”, Ictact Journal on Soft Computing, Vol. 05, ISS: 03, pp. 985-990.
15. Saravanan, S., Kannan S., Thangaraj, C., 2012, “India’s Electricity Demand Forecast Using Regression Analysis And Artificial Neural Networks Based On Principal Components”, Ictact Journal On Soft Computing, Vol. 02, ISS: 04, pp. 365-370.
16. Sozen A., Arcaklioglu E., 2007, “Prediction of Net Energy Consumption Based on Economic Indicators (GNP and GDP) in Turkey”, Energy Policy, Vol. 35, ISS: 10, pp. 4981-4992.
17. Şener F., 2005, Yük Tahmin Yöntemleri ve Ankara Merkez Metropol Alan İçin Regresyon Analizi Yöntemi Kullanılarak Uygulanması, Yüksek Lisans Tezi Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Ankara.
18. Türkiye İstatistik Kurumu, TÜİK Raporu. TÜİK, Ankara, (2013).
19. Ünler A., 2008, “Improvement of Energy Demand Forecasts Using Swarm Intelligence: The Case of Turkey with Projections to 2025”. Energy Policy, Vol. 36, ISS: 6, pp. 1937–1944.
20. Ying, L.C., Pan, M.C., 2008, “Using Adaptive Network Based Fuzzy Inference System to Forecast Regional Electricity Loads”, Energy Conversion and Management, Vol. 49, ISS: 2, pp. 205–211.
21. Dünya Bankası Verileri *online+ http://data.worldbank.org/country/turkey/turkish [Erişim Tarihi: 3 Ağustos 2014].