Günümüzde ekonomik ve sosyal hayatın işleyişi elektrik enerjisine oldukça bağımlıdır. Var olan düzenin aksamadan işlemesi için ihtiyaç duyulan miktarda elektrik enerjisinin zamanında sağlanması gereklidir. Bu da ancak talebi karşılayacak düzeyde üretimi sağlayacak yatırımların zamanında yapılmasıyla mümkün olabilir. Gerek yapılacak yatırımların maliyetinin oldukça yüksek olması gerekse yapılan yatırımların elektrik enerjisi üretimine dönüşüp arza katkıda bulunmaya başlaması için gerekli sürenin uzun olması (yaklaşık 5 yıl) konu ile ilgili yapılacak olan planlamaların hayati önem taşıması sonucunu doğurmaktadır. Elektrik enerisi ile ilgili olarak sağlıklı planlama yapabilmek için en önemli girdi olan elektrik tüketimi öngörülerinin mümkün olduğunca yüksek doğruluk düzeyinde yapılması gerekmektedir.
Tez kapsamında gerçekleştirilen uygulamanın amacı elektrik enerjisi ile ilgili olarak yapılan öngörü çalışmalarına yapay sinir ağları yaklaşımı ile bir alternatif oluşturulup oluşturulamayacığını incelemektir. Bu amaçla elektrik tüketiminin geçmişe dönük verileriyle sistemin dinamiklerini kavrayabilecek bir ağ eğitilmeye çalışılmış ve bu ağın eğitim sırasında karşılaşmadığı durumlar için ürettiği çıktılar gözlenerek ağın sistemi açıklama düzeyi takip edilmiştir.
Sonuç olarak elde edilen performansı en yüksek ağ geçmişe dönük olarak sistemi 0,0001786616 düzeyinde toplam hata miktarı ile açıklarken, test kümesi ile ilgili hata miktarı 0,0000232559 düzeyinde olmuştur. Tablo 7.1‟de verilen normalize değerler incelenecek olursa tasarlanan ağın eğitim sırasında karşılaşmadığı yıllar için başarılı sonuçlar ürettiği görülür.
2000-2002 verileri için gerçek değerler üzerinde yapılan karşılaştırmaların verildiği Tablo 7.2 incelendiğinde ise modelin ilgili yılların gerçek değerlerinden en çok %0,9482 sapma ile çıktılar ürettiği görülür.
Tablo 7.1: Test Kümesi İçin Modelin Ürettiği Normalize Edilmiş Çıktılar İle Normalize Edilmiş Gerçek Değerlerin Karşılaştırılması
Yıl Gerçek Tüketim Değeri Normalize EdilmiĢ Normalize EdilmiĢ Model Değeri Fark (Model – Gerçek)
2000 0,429522203 0,42619 - 0,003332203
2001 0,425674795 0,42444 - 0,001234795
2002 0,44124 0,4445 0,00326
Tablo 7.2: Test Kümesi İçin Modelin Ürettiği Çıktılar İle Gerçek Değerlerin Karşılaştırılması (GWh)
Yıl Tüketim Değeri Gerçek Tüketim Değeri Model Fark
(Model – Gerçek) Sapma (%)
2000 128.275,6 127.059,35 -1.216,25 -0,9482
2001 126.871,3 126.420,6 -450,70 -0,3552
2002 132.552,6 133.742,5 1.189,90 0,89768
Elde edilen model düşük hata düzeyinde çıktılar ürettiği gibi tüketimi etkileyen faktörlerde meydana gelen değişimler sonucu tüketimde oluşan dalgalanmaları da açıklayabilmiştir. Gerçek elektrik tüketimi 2001 yılında 2000 yılına göre daha düşük bir düzeyde gerçekleşmiş, 2002 yılında ise geçmiş iki yıla göre daha yüksek bir değerde olmuştur. Tasarlanan modelin ürettiği çıktı değerleri de bu eğilimi yansıtır şekilde elde edilmiştir.
Bu sebeple tasarlanan ağın, girdilerdeki değişimlere duyarlı olduğu, bu değişimlerin elektrik enerjisi üzerindeki etkilerini sağlıklı bir şekilde kavradığı ve elektrik enerjisi tüketimi ile ilgili olarak başarılı öngörülerde bulunduğu söylenebilir.
Tasarlanan modelin sapma miktarında etkili olduğu bilinen iki önemli husus bulunmaktadır. Öncelikle modelde, mevcut öngörü çalışmalarında kullanılan MAED modelinin girdilerinden modelin en hassas olduğu 23 kriter kullanılmıştır. Bu kriterler dışında kalan ve elektrik tüketimi üzerinde daha az etkiye sahip olan diğer kriterlerin kullanılmasıyla model daha hassas sonuçlar üretecek bir yapıya kavuşturulabilir. Bu noktada önemli olan üretilecek modelin üreteceği çıktıların tutarlılığı ile bu sonuçları elde etmek için harcanacak zaman ve maliyetin dengesi
Ayrıca, modele girdi teşkil eden kriterlerle ilgili olarak kullanılan veriler mevcut çalışmalardan derlenmiştir. Konu ile ilgili olarak bir kaç kurumun katılımıyla geçekleştirilecek çalışmalarla daha geniş zaman aralığını kapsayan veriler üretilebilir. Bu sayede modelin sistemi daha fazla kavraması için daha geniş bir eğitim kümesi elde edilebileceği gibi üretilen modellerin test edilmesi için daha geniş test kümlerini kullanmak da mümkün olacaktır. Bu şekilde güvenilirliği daha yüksek modeller elde edilebilir. Ancak bu noktada da önceki hususta olduğu gibi zaman ve maliyet unsurları devreye girmektedir. Bu nedenle yapılacak çalışmanın kapsamını yine hassasiyet ve zaman-maliyet dengesi konusundaki yaklaşım belirleyecektir.
KAYNAKLAR
Arbib, M.A., 2003. The handbook of brain theory and neural networks, second edition. Massachusetts Institute of Technology. USA.
Barghash, M.A. ve Santarisi, N.S., 2004. Pattern recognition of control charts using artificial neural networks – analysing the effect of the training parameters, Journal of Intelligent Manufacturing, 15, 635-644.
Dereli, T., 2000. Toplam kalite yönetiminin ışığı altında yapay zekanın endüstriyel problemlerin çözümünde kullanımı, seminer notları. Gaziantep. Donikar, A., Steele, N.C., Pearson, D.W., Albrecht, R.F., 1999. Artificial neural
nets and genetic algorithms. Springer-Verlag. Wien-NewYork.
Enerji ve Tabii Kaynaklar Bakanlığı, 2005. Türkiye uzun dönem elektrik enerjisi talep çalışması raporu. Ankara.
Ergezer, H., Dikmen, M. ve Özdemir, E., 2003. Yapay sinir ağları ve tanıma sistemleri. PİVOLKA, 2(6), 14-17.
Freeman, J.A. ve Skapura, D.M., 1991. Neural networks algorithms, applications, and programming techniques. Addison-Wesley Publishing Company. USA.
Fuente, D.A., 2004. Artificial neural networks, the tutorial. Universidad Politecnica de Madrid. Erişim Adresi: http://www.gc.ssr.upm.es/inves/neural/ ann1/anntutorial. html. Erişim tarihi: Şubat 2005.
Galkin, I., 2002. Crash introduction to artificial neural networks, Data mining ders
notları. Erişim adresi :
http://ulcar.uml.edu/~iag/CS/Intro-to-ANN.html. Erişim tarihi: Ocak 2005.
Hamzaçebi, C. ve Kutay, F., 2004. Yapay sinir ağları ile Türkiye elektrik enerjisi tüketiminin 2010 yılına kadar tahmini, Gazi Üniversitesi Mühendislik
ve Mimarlık Fakültesi Dergisi, 19, 227-233.
Haykin, S., 1994. Neural networks, Maxwell-McMillan, Ontario-Canada.
Hu, Y.Y. ve Hwang, J.N., 2002. Handbook of neural network signal processing. CRC Press LLC. USA.
International Atomic Energy Agency (IAEA)., 2004. Erişim adresi : http://www.iaea.org/OurWork/ST/NE/Pess/PESSenergymodels.shtml. Erişim tarihi: Mart 2005.
Kaastra I. ve Boyd M., 1996. Deisgning a neural network for forecasting financial and economic time series. Neurocomputing, 10, 215-236
Kobu B., 1984. Üretim yönetimi. İ.Ü. İşletme Fakültesi, İstanbul.
Kröse, B. ve Smagt, P.V., 1996. An introduction to neural networks. The University of Amsterdam. Amsterdam.
Lakhmi, C.J. ve Vemuri, V.R., 1999. Industrial applications of neural networks. CRC Press, Florida.
Lippmann R.P., 1987. An introductıon to computıng with neural nets. IEEE ASSP Magazine, Nisan, 4-22.
MathWorks., Erişim adresi : http://www.mathworks.com/products/matlab/. Erişim tarihi: Mart 2005.
Murray, G., 2003. Artificial neural networks. Erişim adresi : http://www.swin.edu.au/bioscieleceng/ciscp/anns.html. Erişim tarihi: Ocak 2005.
Müller, B. ve Reinhardt, J., 1990. Neural networks an introduction. Springer-Verlag. Berlin Heidelberg.
Netfirms, 2005. Erişim adresi : http://www.backpropagation.netfirms.com/ ysauygulama2.htm. Erişim tarihi: Ocak 2005.
Özmucur S., 1990. Geleceği tahmin yöntemleri. İstanbul Sanayi Odası, Araştırma Dairesi. Yayın No: 1990/2.
Öztemel, E., 1996. Bilgisayarda öğrenme ve yapay sinir ağları. Otomasyon, Mart, 34-140.
Rafiq M.Y., Bugmann G., Easterbrook D. J., 2001. Neural network design for engineering applications, Computers & Structures, 79-17,1541-1552. Schalkoff R.J., 1997. Artificial neural networks, McGraw-Hill. USA.
Simpson P.K., 1992. Foundations of neural networks, Sinencio E.S., Lau C. (ed.),
Artificial neural networks – paradigms, applications and hardware implementations, IEEE Press. 1-22.
Smith, L., 2003. An introduction to neural networks. Erişim adresi : http://www.cs.stir.ac.uk/~lss/NNIntro/InvSlides.html. Erişim tarihi: Ocak 2005.
ġahin, ġ.Ö., 2002. Yapay sinir ağları yardımı ile dinamik bir senaryo analizi, Yüksek
Lisans Tezi, İ.T.Ü. Fen Bilimleri Enstitüsü, İstanbul.
Tebo, A., 1994. Artificial neural networks: a developing science. Erişim adresi : http://www.spie.org/app/publications/magazines/oerarchive/september /neural_net.html. Erişim Tarihi: Ocak 2005.
Veelenturf, L.P.J., 1995. Analysis and applications of artificial neural networks. Prentice Hall Internaional (UK) Limited. United Kingdom.
Zhang G., Patuwo B.E., Hu M.Y., 1998. Forecasting with artificial neural networks, International Journal Of Forecasting, 14-1, 35-62.
ÖZGEÇMĠġ
Abdullah Akkurt, 1980 yılında Mersin‟de dünyaya geldi. İlk, orta ve lise öğrenimini bu şehirde tamamladı. 1998 yılında Mersin Fen Lisesi‟nden mezun oldu. Lisans öğrenimini 1998 – 2002 yılları arasında İstanbul Teknik Üniversitesi Endüstri Mühendisliği Bölümü‟nde tamamladı. Mezuniyetini takiben yine İstanbul Teknik Üniversitesi‟nde Endüstri Mühendisliği üzerine yüksek lisans öğrenimine başladı. Eylül 2002 tarihinden bu yana TÜBİTAK‟a bağlı Türkiye Sanayi Sevk ve İdare Enstitüsü‟nde tam zamanlı araştırmacı olarak görev almaktadır.