Araştırma Makalesi
BibTex RIS Kaynak Göster

Gaz Yakıtlı Kombi Sisteminin Yapay Sinir Ağı ile Yakıt Miktarı Tahmini Isparta Örneği

Yıl 2023, , 11 - 18, 11.05.2023
https://doi.org/10.55974/utbd.1164374

Öz

Bir gaz yakıt olan doğalgazın çevreye duyarlı temiz enerji kaynağı olmasından dolayı dünyadaki kullanımı giderek artmaktadır. Türkiye’de doğalgaz çıkarımı noktasında çalışmalar gün geçtikçe yapılmaktadır. Ancak büyük miktarda dışa bağımlı olarak satın alınmaktadır. Doğalgaz Türkiye’de kullanımına bağlı olarak stok yapılmak durumundadır. Bu avantajından dolayı tüketmiş olduğumuz doğalgazın yıllık tüketim tahmini de son derece önem arz etmektedir. Özellikle son yıllarda doğalgaz maliyetlerinin artmasıyla birlikte ne kadarlık bir yıllık harcamanın yapılacağı konusunda önemli hesaplamalar yapılması gerekmektedir. Günümüzde, yönetimsel enerji kullanımları sayesinde enerji maliyetlerinde düşüşler sağlanabilmektedir. Bu çalışmada, Isparta ilinde bulunan 120 m2 büyüklüğünde doğu kuzey cepheli mantolaması bulunan 10 yıllık bir konut için doğalgaz yakıtlı kombi sistemi kullanan bir evde geliştiren bir ölçüm sistemi ile odaların, dış havanın sıcaklık değerleri ve sistemin yakıt miktarı ölçülerek kayıt altına alınmıştır. Ekim, Kasım, Aralık, Ocak, Şubat, Mart aylarına ait 181 adet veri ele alınmıştır. Bu verilerin 141 tanesi eğitim, 10 tanesi doğrulama ve 30 tanesi test için kullanılmıştır. Oluşturulan yapay sinir ağı modeli eğitim verileri ile eğitilmiştir. Standart bir kış sezonunda oda sıcaklıklarına ve dış hava sıcaklığına göre tüketilen günlük doğalgaz miktarları, yapay sinir ağı (YSA) modeli yardımıyla eğitilmiş 0.118 MSE hata ile doğalgaz yıllık tüketim miktarı %98 oranında tahmin edilmiştir.

Kaynakça

  • Kaynar O, Taştan S, Demirkoparan F. Yapay Sinir Ağları İle Doğalgaz Tüketim Tahmini. Atatürk Ü. İİBF Dergisi, 10. Ekonometri ve İstatistik Sempozyumu Özel Sayısı, 463-474, 2011.
  • Aras, Haydar ve Aras, Nil (2002), “Konutsal Doğal gaz Talebinin Tahmini”, http://www.emo.org.tr/ekler/2a2dcc36a08a345_ek.pdf (Erişim Tarihi: 22.8.2020).
  • Sarak, H. ve Satman, A (2003), “The Degree-Day Method to Estimate the Residential Heating Natural Gas Consumption in Turkey: A Case Study”, Energy, 28, s.929-939.
  • Özçomak, Mehmet Suphi., Oktay, Erkan, ve Özer, Hüseyin (2006), “Erzurum İlinde Potansiyel Doğal Gaz Talebini Etkileyen Faktörlerin Tespiti”, EKEV Akademi Dergisi, 10(17), s.309-321.
  • Topçu, Görkem Yusuf (2013). Türkiye Doğal gaz Tüketim Tahmini. Ankara Üniversitesi Sosyal Bilimler Enstitüsü, Yayımlanmamış Yüksek Lisans Tezi, Ankara.
  • Oruç, Kenan Oğuzghan ve Çelik Eroğlu, Şeyma (2017), “Isparta İli İçin Doğal Gaz Talep Tahmini”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(1), s. 31- 42.
  • Eren, Tuğba (2017), Doğal gaz Tüketim Planlamasında Gri Tahmin Yöntemi ve Türkiye Uygulaması. İstanbul Ticaret Üniversitesi Fen Bilimleri Enstitüsü, Yayımlanmamış Yüksek Lisans Tezi, İstanbul.
  • Zhang G, Patuwo B, Hu M Y. Forecasting with artificial neural networks: the state of the art, International Journal of Forecasting, 14, ss.35-62, 1998.
  • Ertür F. U. Yoğuşmalı Kombi Teknolojilerinin Çevresel, Ekonomik Kazanımları Ve Yeni Hedefler, Yüksek Lisans Tezi, Trakya Üniversitesi Fen Bilimleri Enstitüsü, 2010.
  • Türker A, Bireysel ve merkezi Isıtma Sistemlerinin Tanıtımı ve karşılaştırılması, http://mmoteskon.org/wp-content/uploads/2014/12/2007DG-12.pdf
  • Ağyar Z. Yapay Sinir Ağlarının Kullanım Alanları ve Bir Uygulama. Mühendis ve Makine 56(662), 22-23. 2015.
  • Stanley M, Alastair A, Dylan M, Patterson D. Neural Networks: The Prediction of Residential Values, Journal of Property Valuation & Investment, 16(1): 57 – 70, 1998.
  • http://kod5.org/yapay-sinir-aglari-ysa nedir/ (Erişim Tarihi: 18.04.2021).
  • Maltarollo V G, Honório K M, Da Silva A B F. Applications of Artificial Neural Networks in Chemical Problems. London: Intechopen, 2013.
  • Eğrioğlu E, Aladağ C H, Yolcu U, Uslu V R, Başaran M A. A new approach based on artificial neural networks for high order multivariate fuzzy time series. Expert Systems with Applications, 36(7), 10589-10594, 2009.
  • Khotanzad A, Elragal H, Lu Tsun-Liang. Combination of Artificial Neural-Network Forecasters for Prediction of Natural Gas Consumption’’, IEEE Trans. Neural Netw., 11, pp. 464–473, 2000.
  • Öztemel E. Yapay Sinir Ağları. İstanbul: Papatya, s.15-18, 2003.
  • Kabalcı E. Yapay Sinir Ağları, Ders Notları https://ekblc.files.wordpress.com/2013/09/ysa.pdf (Erişim Tarihi: 21.05.2021).
  • Keskenler M F, Keskenler E F. Geçmişten Günümüze Yapay Sinir Ağları ve Tarihçesi. Takvim-i Vekayi, 5 (2), 8-18, 2017.
  • Kurnaz K. Yapay Sinir Ağları İle Makine Öğrenmesi Uygulaması, Bitirme Tezi, 2014.
  • Bayır F. Yapay Sinir Ağları ve Tahmin Mo-dellemesi Üzerine Bir Uygulama Yayınlanmamış Yüksek Lisans Tezi, İstanbul, İstanbul Üniversitesi Sosyal Bilimler Enstitüsü, 2006.

Gas Fired Combi System by Artificial Neural Network Fuel Quantity Estimation Example of Isparta

Yıl 2023, , 11 - 18, 11.05.2023
https://doi.org/10.55974/utbd.1164374

Öz

The use of natural gas, which is a gas fuel, is increasing in the world because it is an environmentally friendly clean energy source In Turkey, natural gas discharge protection is maintained during the day. However, a large amount of foreign dependency is purchased. Natural gas has to be stocked depending on its use in Turkey.Due to this advantage, the annual consumption estimate of the natural gas we consume is also extremely important. Especially with the increase in natural gas costs in recent years, it is necessary to make important calculations about how much annual expenditure will be made. Today, energy costs can be reduced by administrative energy use. In this study, the temperature values of the rooms, the outside air and the fuel amount of the system were measured and recorded with a measurement system developed in a house using natural gas fired combi boiler system for a 10-year-old house with an east-north facing sheathing of 120 m2 in the province of Isparta. 181 data for the months of October, November, December, January, February, and March were collected. 141 of these data were used for training, 10 for validation and 30 for testing. The created artificial neural network model is trained with training data. In a standard winter season, daily natural gas amounts consumed according to room temperatures and outside air temperature, with the help of artificial neural network (ANN) model, the annual natural gas consumption amount was estimated at 98% with 0.118 MSE error.

Kaynakça

  • Kaynar O, Taştan S, Demirkoparan F. Yapay Sinir Ağları İle Doğalgaz Tüketim Tahmini. Atatürk Ü. İİBF Dergisi, 10. Ekonometri ve İstatistik Sempozyumu Özel Sayısı, 463-474, 2011.
  • Aras, Haydar ve Aras, Nil (2002), “Konutsal Doğal gaz Talebinin Tahmini”, http://www.emo.org.tr/ekler/2a2dcc36a08a345_ek.pdf (Erişim Tarihi: 22.8.2020).
  • Sarak, H. ve Satman, A (2003), “The Degree-Day Method to Estimate the Residential Heating Natural Gas Consumption in Turkey: A Case Study”, Energy, 28, s.929-939.
  • Özçomak, Mehmet Suphi., Oktay, Erkan, ve Özer, Hüseyin (2006), “Erzurum İlinde Potansiyel Doğal Gaz Talebini Etkileyen Faktörlerin Tespiti”, EKEV Akademi Dergisi, 10(17), s.309-321.
  • Topçu, Görkem Yusuf (2013). Türkiye Doğal gaz Tüketim Tahmini. Ankara Üniversitesi Sosyal Bilimler Enstitüsü, Yayımlanmamış Yüksek Lisans Tezi, Ankara.
  • Oruç, Kenan Oğuzghan ve Çelik Eroğlu, Şeyma (2017), “Isparta İli İçin Doğal Gaz Talep Tahmini”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(1), s. 31- 42.
  • Eren, Tuğba (2017), Doğal gaz Tüketim Planlamasında Gri Tahmin Yöntemi ve Türkiye Uygulaması. İstanbul Ticaret Üniversitesi Fen Bilimleri Enstitüsü, Yayımlanmamış Yüksek Lisans Tezi, İstanbul.
  • Zhang G, Patuwo B, Hu M Y. Forecasting with artificial neural networks: the state of the art, International Journal of Forecasting, 14, ss.35-62, 1998.
  • Ertür F. U. Yoğuşmalı Kombi Teknolojilerinin Çevresel, Ekonomik Kazanımları Ve Yeni Hedefler, Yüksek Lisans Tezi, Trakya Üniversitesi Fen Bilimleri Enstitüsü, 2010.
  • Türker A, Bireysel ve merkezi Isıtma Sistemlerinin Tanıtımı ve karşılaştırılması, http://mmoteskon.org/wp-content/uploads/2014/12/2007DG-12.pdf
  • Ağyar Z. Yapay Sinir Ağlarının Kullanım Alanları ve Bir Uygulama. Mühendis ve Makine 56(662), 22-23. 2015.
  • Stanley M, Alastair A, Dylan M, Patterson D. Neural Networks: The Prediction of Residential Values, Journal of Property Valuation & Investment, 16(1): 57 – 70, 1998.
  • http://kod5.org/yapay-sinir-aglari-ysa nedir/ (Erişim Tarihi: 18.04.2021).
  • Maltarollo V G, Honório K M, Da Silva A B F. Applications of Artificial Neural Networks in Chemical Problems. London: Intechopen, 2013.
  • Eğrioğlu E, Aladağ C H, Yolcu U, Uslu V R, Başaran M A. A new approach based on artificial neural networks for high order multivariate fuzzy time series. Expert Systems with Applications, 36(7), 10589-10594, 2009.
  • Khotanzad A, Elragal H, Lu Tsun-Liang. Combination of Artificial Neural-Network Forecasters for Prediction of Natural Gas Consumption’’, IEEE Trans. Neural Netw., 11, pp. 464–473, 2000.
  • Öztemel E. Yapay Sinir Ağları. İstanbul: Papatya, s.15-18, 2003.
  • Kabalcı E. Yapay Sinir Ağları, Ders Notları https://ekblc.files.wordpress.com/2013/09/ysa.pdf (Erişim Tarihi: 21.05.2021).
  • Keskenler M F, Keskenler E F. Geçmişten Günümüze Yapay Sinir Ağları ve Tarihçesi. Takvim-i Vekayi, 5 (2), 8-18, 2017.
  • Kurnaz K. Yapay Sinir Ağları İle Makine Öğrenmesi Uygulaması, Bitirme Tezi, 2014.
  • Bayır F. Yapay Sinir Ağları ve Tahmin Mo-dellemesi Üzerine Bir Uygulama Yayınlanmamış Yüksek Lisans Tezi, İstanbul, İstanbul Üniversitesi Sosyal Bilimler Enstitüsü, 2006.
Toplam 21 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Elektrik Mühendisliği
Bölüm Araştırma Makalesi
Yazarlar

Mehmet Erhan Şahin 0000-0003-1613-7493

Yayımlanma Tarihi 11 Mayıs 2023
Yayımlandığı Sayı Yıl 2023

Kaynak Göster

IEEE M. E. Şahin, “Gaz Yakıtlı Kombi Sisteminin Yapay Sinir Ağı ile Yakıt Miktarı Tahmini Isparta Örneği”, UTBD, c. 15, sy. 1, ss. 11–18, 2023, doi: 10.55974/utbd.1164374.

Cited By

UNMANNED GROUND VEHICLE SELECTION WITH ARTIFICIAL NEURAL NETWORKS
International Journal of 3D Printing Technologies and Digital Industry
https://doi.org/10.46519/ij3dptdi.1482087

Dergi isminin Türkçe kısaltması "UTBD" ingilizce kısaltması "IJTS" şeklindedir.

Dergimizde yayınlanan makalelerin tüm bilimsel sorumluluğu yazar(lar)a aittir. Editör, yardımcı editör ve yayıncı dergide yayınlanan yazılar için herhangi bir sorumluluk kabul etmez.