• Sonuç bulunamadı

Yapay sinir ağları ve farklı tahmin yöntemleri ile uzun dönem yük tahmini: Zonguldak örneği

N/A
N/A
Protected

Academic year: 2021

Share "Yapay sinir ağları ve farklı tahmin yöntemleri ile uzun dönem yük tahmini: Zonguldak örneği"

Copied!
174
0
0

Yükleniyor.... (view fulltext now)

Tam metin

(1)

YAPAY SİNİR AĞLARI VE FARKLI TAHMİN YÖNTEMLERİ İLE UZUN DÖNEM YÜK TAHMİNİ: ZONGULDAK ÖRNEĞİ

Mustafa Serkan SEZER

Kütahya Dumlupınar Üniversitesi

Lisansüstü Eğitim Öğretim ve Sınav Yönetmeliği Uyarınca

Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği Anabilim Dalında YÜKSEK LİSANS TEZİ

Olarak Hazırlanmıştır.

Danışman: Prof. Dr.Yılmaz ASLAN

(2)

KABUL VE ONAY SAYFASI

Mustafa Serkan SEZER 'in Yüksek Lisans tezi olarak hazırladığı “Yapay Sinir Ağları ve Farklı Tahmin Yöntemleri İle Uzun Dönem Yük Tahmini: Zonguldak Örneği” başlıklı bu çalışma, jürimizce Kütahya Dumlupınar Üniversitesi Lisansüstü Eğitim Öğretim ve Sınav Yönetmeliğinin ilgili maddeleri uyarınca değerlendirilerek kabul edilmiştir.

11/07/2019 Prof. Dr. Önder UYSAL

Enstitü Müdürü, Fen Bilimleri Enstitüsü _____________ Prof. Dr. Mehmet Ali EBEOĞLU

Anabilim Dalı Başkanı, Elektrik-Elektronik Mühendisliği Anabilim Dalı _____________

Prof. Dr. Yılmaz ASLAN _____________

Danışman, Elektrik Elektronik Mühendisliği Anabilim Dalı

Sınav Komitesi Üyeleri

Prof. Dr. Yılmaz ASLAN

Elektrik Elektronik Mühendisliği Bölümü, Dumlupınar Üniversitesi _________________ Doç. Dr. Celal YAŞAR

Elektrik Elektronik Mühendisliği Bölümü, Dumlupınar Üniversitesi _________________ Doç. Dr. Eyyüp GÜLBANDILAR

(3)

ETİK İLKE VE KURALLARA UYGUNLUK BEYANI

Bu tezin hazırlanmasında Akademik kurallara riayet ettiğimizi, özgün bir çalışma olduğunu ve yapılan tez çalışmasının bilimsel etik ilke ve kurallara uygun olduğunu, çalışma kapsamında teze ait olmayan veriler için kaynak gösterildiğini ve kaynaklar dizininde belirtildiğini, Yüksek Öğretim Kurulu tarafından kullanılmak üzere önerilen ve Dumlupınar Üniversitesi tarafından kullanılan İntihal Programı ile tarandığını ve benzerlik oranının %... çıktığını beyan ederiz. Aykırı bir durum ortaya çıktığı takdirde tüm hukuki sonuçlara razı olduğumuzu taahhüt ederiz.

(4)

YAPAY SİNİR AĞLARI VE FARKLI TAHMİN YÖNTEMLERİ İLE UZUN DÖNEM YÜK TAHMİNİ: ZONGULDAK ÖRNEĞİ

Mustafa Serkan SEZER

Elektrik-Elektronik Mühendisliği, Yüksek Lisans Tezi,2019 Tez Danışmanı: Prof. Dr. Yılmaz ASLAN

ÖZET

Bu tezde Zonguldak ilinin elektrik enerjisi yük tahmini, Regresyon, Geri Yayılımlı Yapay Sinir Ağları (GYYSA) ve Radyal Tabanlı Yapay Sinir Ağları (RTYSA) gibi yöntemlerle üç yıllık dönem için yapılmıştır. Tahmin yöntemlerinde geliştirilen tüm modellerde bağımsız değişken olarak; sıcaklık, nüfus, kısmen biten veya ilave edilen yapıların toplam metrekaresi, kişi başına gayri safi yurt içi hasıla, madencilik ve taş ocakçılığı iş kolunda çalışan sayısı, kişi başına toplam elektrik tüketimi (kWh) gibi değerler kullanılmıştır. Bu kapsamda, yıllık olarak 6 ve aylık olarak ise 2 farklı model olmak üzere toplamda 8 farklı model kurularak analiz yapılmıştır.

Regresyon analizinde, tüm modellerde çoklu ve basit doğrusal regresyon yöntemleri ile 2007-2017 yılları arasındaki değerler seçilmiştir. GYYSA yönteminde, MATLAB programında oluşturulan modellerde eğitim verisi olarak 2007-2017 yılları arasındaki değerlerin %70’lik kısımları rasgele olarak seçilerek kullanılmıştır. GYYSA’nda bir veya iki gizli katman kullanılmıştır. RTYSA yönteminde ise, MATLAB programında oluşturulan modellerde eğitim verileri olarak 2007-2017 yılları arasındaki değerlerin %70 kısımları kullanılmıştır. Eğitilen modellerde tahmin performans modeli olarak R2 (karesel hata) yöntemi kullanılmıştır.

Tahmin yöntemleri ile bulunan üç yıllık enerji tüketimi tahmini verileri kendi aralarında karşılaştırılmıştır. Bunun sonucunda en yüksek R² değeri olan 0,9983 değerine RTYSA ile MHY1 modeli ile en iyi tahmin sonucuna ulaşılmıştır.

Anahtar Kelimeler: Elektrik enerjisi tahmini, Regresyon, Geri yayılımlı yapay sinir ağları, Radyal tabanlı yapay sinir ağları.

(5)

LONG TERM LOAD FORECAST THORUGH ARTIFICIAL NEURAL NETWORK AND DIFFERENT FORECASTING METHODS: ZONGULDAK CASE

Mustafa Serkan SEZER

Electrical-Electronical Engineering, M.Sc. Thesis ,2019 Tez Danışmanı: Prof. Dr. Yılmaz ASLAN

SUMMARY

In this thesis, three-year long term electric energy load forecasting of Zonguldak province was conducted by using Regression, Back-propagation Artificial Neural Networks (BANN) and Radial Based Artificial Neural Networks (RBANN) forecasting methods. Temperature (℃), population, total square meters of partially completed buildings or added structures, gross domestic product per capita, number of employees in mining and quarrying business, total electricity consumption per capita (kWh) were used as independent variables in all models developed by forecasting methods. In this context, 6 different models per year and 2 different models per month, a total of 8 different models were established and analysed by forecasting methods.

In regression analysis, dependent and independent variables including the years 2007-2017, were selected with multilinear and single regression methods in all models. In BANN method, %70 of the values between 2007 and 2017 years were randomly selected and used as training data in the models developed on MATLAB programme. In RBANN method, one or two hidden layers were used. On the other hand in BANN method, %70 of the values between 2007-2017 years were used as training data in the models developed on MATLAB programme. R² (quadratic error) method was used as the forecasting performance model in the trained models.

The three-year energy consumption forecast data, found by forecasting methods, were compared among themselves. As a result of these comparisons, the highest R² value of 0.9983 was obtained with RBANN and MHY1 models as the best estimation result.

Keywords: Electric Energy, Regression, Back-propagation Artificial Neural Networks, Radial based Artificial Neural Networks.

(6)

TEŞEKKÜR

Tez çalışmamda sabırlı bir şekilde yardımlarını esirgemeyen ve sınırsız destek veren, yol gösteren başta danışman hocam Prof. Dr. Yılmaz ASLAN’a ve yardımlarından dolayı Doç. Dr. Eyyüp GÜLBANDILAR ve Dr. Öğr. Üyesi Okan ERKAYMAZ hocama da çok teşekkür ederim. Bana olan emeklerinden ve desteklerinden dolayı babam Alaattin SEZER, annem Habibe SEZER ve kardeşim Azime İrem SEZER’e, Yüksek lisansım boyunca sabır ve yardımlarından dolayı eşim Nuriye SEZER ve kuzum Ömer Ayberk SEZER’e teşekkürlerimi sunarım. Tezi bitirmem için sürekli yardım ve destek veren canım arkadaşlarım İbrahim Alper GEDİK, Umut DÖKEL, Kemal YAVUZ, H.Tezcan UYSAL ve Fatih ERDOĞAN’a teşekkür ederim.

(7)

İÇİNDEKİLER

Sayfa ÖZET ... v SUMMARY ...vi ŞEKİLLER DİZİNİ ...xi ÇİZELGELER DİZİNİ ... xvii

SİMGELER VE KISALTMALAR DİZİNİ ... xxii

1. GİRİŞ ... 1

2. ELEKTRİK ENERJİSİ ... 2

2.1. Enerji Talebi ve Etkileyen Faktörler ... 4

2.2. Türkiye’de Elektrik Enerjisi Tüketimi ... 5

2.3. Türkiye’de Enerji Talebinin Belirlenmesi ... 7

3. YÜK TAHMİNİ ... 8

3.1. Yük Tahmininin Zamana Göre Sınıflandırılması ... 10

3.1.1. Uzun dönem yük tahmini ... 10

3.1.2. Orta dönem yük tahmini ... 11

3.1.3. Kısa dönem yük tahmini ... 11

3.1.4. Çok kısa dönem yük tahmini ... 12

3.2. Yük Tahmini Yöntemleri ... 12

3.2.1. Klasik yaklaşımlar ... 12

3.2.2. Bilgisayarlı yöntemler ... 14

4. ARAŞTIRMA KULLANILACAK VERİLERİN İNCELENMESİ VE TAHMİN MODELLERİ ... 20

4.1. Araştırmada Kullanılan Veriler ... 20

4.1.1. Nüfus ... 20

4.1.2. Sıcaklık ... 21

4.1.3. Madencilik ve taş ocakçılığı çalışan sayısı ... 21

4.1.4. Gayri safi yurtiçi hasıla (GSYH) ... 22

4.1.5. Kişi başına toplam elektrik tüketimi ... 23

4.1.6. Toplam bina alanı ... 24

(8)

İÇİNDEKİLER (devam)

Sayfa

5. TAHMİN MODELLERİNİN EĞİTİMİ ... 28

5.1. Zonguldak İli İçin Yıllık Modellerin Eğitimi ... 28

5.1.1. Regresyon yöntemi ile ... 28

5.1.2. GYYSA ile ... 30

5.1.3 RTYSA ile ... 34

5.2. Zonguldak İli İçin Aylık Modellerinin Eğitimi ... 36

5.2.1. Regresyon yöntemi ile ... 36

5.2.2. GYYSA ile ... 36

5.2.3. RTYSA ile ... 37

5.2.4. Ocak ayı için aylık modellerin eğitimi ... 37

5.2.5. Şubat ayı için modellerin eğitimi ... 45

5.2.6. Mart ayı için modellerin eğitimi ... 52

5.2.7. Nisan ayı için modellerin eğitimi ... 59

5.2.8. Mayıs ayı için modellerin eğitimi ... 66

5.2.9. Haziran ayı için modellerin eğitimi ... 73

5.2.10. Temmuz ayı için modellerin eğitimi ... 80

5.2.11. Ağustos ayı için modellerin eğitimi ... 87

5.2.12. Eylül ayı için modellerin eğitimi ... 94

5.2.13. Ekim ayı için modellerin eğitimi ... 101

5.2.14. Kasım ayı için modellerin eğitimi ... 108

5.2.15. Aralık ayı için modellerin eğitimi ... 115

6. YÜK TAHMİNİ ... 122

6.1. Yük Tahmininde Kullanılacak Olan Bağımsız Değişkenler ... 122

6.2. Zonguldak İli İçin Yıllık Enerji Tüketim Tahmini ... 122

6.3. Aylık Enerji Tüketim Tahmini ... 123

6.3.1 Ocak ayı enerji tüketim tahmini ... 123

6.3.2. Şubat ayı enerji tüketim tahmini ... 124

6.3.3. Mart ayı enerji tüketim tahmini ... 125

6.3.4. Nisan ayı enerji tüketim tahmini ... 125

6.3.5. Mayıs ayı enerji tüketim tahmini ... 126

6.3.6. Haziran ayı enerji tüketim tahmini... 127

6.3.7. Temmuz ayı enerji tüketim tahmini ... 128

6.3.8. Ağustos ayı enerji tüketim tahmini ... 129

6.3.9. Eylül ayı enerji tüketim tahmini ... 129

6.3.10. Ekim ayı enerji tüketim tahmini ... 130

6.3.11. Kasım ayı enerji tüketim tahmini ... 131

6.3.12. Aralık ayı enerji tüketim tahmini ... 132

(9)

İÇİNDEKİLER (devam)

Sayfa 7. SONUÇ VE ÖNERİLER ... 142 KAYNAKLAR DİZİNİ ... 143 EKLER

Ek-1: İl Aylık Sıcaklık Ortalamaları ( Zonguldak/17022) Ek-2: İl Yıllık GSYH($)

Ek-3: İl Geneli Kişi Başına Toplam Elektrik Tüketimi (kWh) Ek-4: İl Geneli Nüfus Bilgileri

Ek-5: İl Geneli Maden İş Kolunda Çalışan Kişi Sayısı

Ek-6: İl Geneli Yapı Kullanma İzin Belgesi-Yüzölçüm: Toplam Bina (m²) Ek-7: İl Geneli TEİAŞ Elektrik Tüketimi (MWh)

Ek-8: İl Geneli Regresyon Yöntemi İle Elektrik Tüketimi Tahmini (MWh) Ek-9: İl Geneli GYYSA Yöntemi İle Elektrik Tüketimi Tahmini (MWh) Ek-10: İl Geneli RTYSA Yöntemi İle Elektrik Tüketimi Tahmini (MWh) ÖZGEÇMİŞ

(10)

ŞEKİLLER DİZİNİ

Şekil Sayfa

2.1. Fiyatı etkileyen üretim süreçlerinin oranı ... 5

2.2. Aylık toplam elektrik tüketimi (GWh) ... 6

3.1. Elektrik yük talebini etkileyen faktörler ... 9

3.2. Çok tabakalı yapay sinir ağları modeli ... 15

3.3. Yapay sinir hücresi ... 16

3.4. Çok katmanlı YSA (Örnek) ... 16

4.1. Zonguldak ilinin adrese dayalı nüfus kayıt sistemine göre cinsiyet oranı: Toplam Nüfus ... 20

4.2. Zonguldak ilinin aylık ortalama sıcaklık değerleri ... 21

4.3. Zonguldak ilinde 2007-2017 arası maden iş kolunda çalışan kişi sayısı ... 22

4.4. Zonguldak ilinde kişi başına gayrisafi yurtiçi hasıla (2009 bazlı) : Kişi başına GSYH ($) .. 23

4.5. Zonguldak ilinde kullanım yerlerine göre elektrik tüketimi: kişi başına toplam elektrik tüketimi (kWh) ... 24

4.6. Zonguldak ilinde yapı kullanma izin belgesi-yüzölçüm: toplam bina (m²) ... 25

5.1. Regresyon MHY1 modeli ile gerçek değerlerin karşılaştırılması ... 29

5.2. Yıllık periyot için GYYSA yöntemi MYH1 modeli, eğitim:%70, 1 gizli katman:4 nöron ağ mimarisi ... 31

5.3.Yıllık periyot için GYYSA yöntemi MYH1 modeli, eğitim:%70, 1 gizli katman:4 nöron ile gerçek değerlerin karşılaştırılması... 32

5.4. Yıllık periyot için GYYSA yöntemi MYH1 modeli, eğitim:%70, 2 gizli katman:5+5 nöron ağ mimarisi ... 33

5. 5. Yıllık periyot için GYYSA yöntemi MYH1 modeli, eğitim:%70, 2 gizli katman:5+5 nöron ile gerçek değerlerin karşılaştırılması ... 34

5.6. Yıllık periyot için RTYSA yöntemi MYH1 modeli, eğitim:%70 ağ mimarisi ... 35

5.7.Yıllık periyot için RTYSA yöntemi MYH1 modeli, eğitim:%70 ile gerçek değerlerin karşılaştırılması ... 36

5.8. RTYSA yöntemi ile aylık periyotlarda ağ mimarisi ... 37

5.9. Ocak ayı için Regresyon yöntemi MAH1 modeli ile gerçek değerlerin karşılaştırılması .... 39

5.10. Ocak ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 1 gizli katman:14 nöron ağ mimarisi ... 41

5.11. Ocak ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 1 gizli katman:14 nöron ile gerçek değerlerin karşılaştırılması... 41

(11)

ŞEKİLLER DİZİNİ (devam)

Şekil Sayfa 5.12. Ocak ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:18+18 nöron

ağ mimarisi ... 43 5.13. Ocak ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:18+18 nöron

ile gerçek değerlerin karşılaştırılması ... 43 5.14. Ocak ayı için RTYSA yöntemi MAH1 modeli, eğitim:%70 ile gerçek değerlerin

karşılaştırılması ... 44 5.15. Şubat ayı için Regresyon yöntemi MAH1 modeli ile gerçek değerlerin karşılaştırılması .. 46 5.16. Şubat ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:2 nöron ağ

mimarisi ... 48 5.17. Şubat ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:2 nöron ile

gerçek değerlerin karşılaştırılması... 48 5.18. Şubat ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:13+13 nöron

ağ mimarisi ... 50 5.19. Şubat ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:13+13 nöron

ile gerçek değerlerin karşılaştırılması ... 50 5.20. Şubat ayı için RTYSA yöntemi MAH1 modeli, eğitim:%70 ile gerçek değerlerin

karşılaştırılması ... 51 5.21. Mart ayı için Regresyon yöntemi MAH1 modeli ile gerçek değerlerin karşılaştırılması ... 53 5.22. Mart ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:3 nöron ağ

mimarisi ... 55 5.23. Mart ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:3 nöron ile

gerçek değerlerin karşılaştırılması... 55 5.24. Mart ayı için GYYSA yöntemi MAH1 modeli, Eğitim:%70, 2 gizli katman:6+6 nöron ağ

mimarisi ... 57 5.25. Mart ayı için GYYSA yöntemi MAH1 modeli, Eğitim:%70, 2 gizli katman:6+6 nöron ile

gerçek değerlerin karşılaştırılması... 57 5.26. Mart ayı için RTYSA yöntemi MAH1 modeli, eğitim:%70 ile gerçek değerlerin

karşılaştırılması ... 58 5.27. Nisan ayı için Regresyon yöntemi MAH1 modeli ile gerçek değerlerin karşılaştırılması.. 60 5.28. Nisan ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:11 nöron ağ

(12)

ŞEKİLLER DİZİNİ (devam)

Şekil Sayfa 5.29. Nisan ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:11 nöron ile

gerçek değerlerin karşılaştırılması... 62 5.30. Nisan ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:17+17 nöron

ağ mimarisi ... 64 5.31. Nisan ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:17+17 nöron

ile gerçek değerlerin karşılaştırılması ... 64 5.32. Nisan ayı için RTYSA yöntemi MAH1 modeli, eğitim:%70 ile gerçek değerlerin

karşılaştırılması ... 65 5.33. Mayıs ayı için Regresyon yöntemi MAH1 modeli ile gerçek değerlerin karşılaştırılması . 67 5.34. Mayıs ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:10 nöron ağ

mimarisi ... 69 5.35. Mayıs ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:10 nöron ile

gerçek değerlerin karşılaştırılması... 69 5.36. Mayıs ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:9+9 nöron ağ

mimarisi ... 71 5.37. Mayıs ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:9+9 nöron ile

gerçek değerlerin karşılaştırılması... 71 5.38. Mayıs ayı için RTYSA yöntemi MAH1 modeli, eğitim:%70 ile gerçek değerlerin

karşılaştırılması ... 72 5.39. Haziran ayı için Regresyon yöntemi MAH1 modeli ile gerçek değerlerin

karşılaştırılması ... 74 5.40. Haziran ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:5 nöron, ağ

mimarisi ... 76 5.41. Haziran ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:5 nöron, ile

gerçek değerlerin karşılaştırılması... 76 5.42. Haziran ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:16+16

nöron ağ mimarisi ... 78 5.43. Haziran ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:16+16

nöron ile gerçek değerlerin karşılaştırılması ... 78 5.44. Haziran ayı için RTYSA yöntemi MAH1 modeli, eğitim:%70 ile gerçek değerlerin

(13)

ŞEKİLLER DİZİNİ (devam)

Şekil Sayfa 5.45. Temmuz ayı için Regresyon yöntemi MAH1 modeli ile gerçek değerlerin

karşılaştırılması ... 81 5.46. Temmuz ayı için GYYSA yöntemi MAH1 modeli, Eğitim:%70, gizli katman:12 nöron ağ

mimarisi ... 83 5.47. Temmuz ayı için GYYSA yöntemi MAH1 modeli, Eğitim:%70, gizli katman:12 nöron ile

gerçek değerlerin karşılaştırılması... 83 5.48. Temmuz ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:12+12

nöron ağ mimarisi ... 85 5.49. Temmuz ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:12+12

nöron ile gerçek değerlerin karşılaştırılması ... 85 5.50. Temmuz ayı için RTYSA yöntemi MAH1 modeli, eğitim:%70 ile gerçek değerlerin

karşılaştırılması ... 86 5.51. Ağustos ayı için Regresyon yöntemi MAH1 modeli ile gerçek değerlerin

karşılaştırılması ... 88 5.52. Ağustos ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:3 nöron ağ

mimarisi ... 90 5.53. Ağustos ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:3 nöron ile

gerçek değerlerin karşılaştırılması... 90 5.54. Ağustos ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:15+15

nöron ağ mimarisi ... 92 5.55. Ağustos ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:15+15

nöron ile gerçek değerlerin karşılaştırılması ... 92 5.56. Ağustos ayı için RTYSA yöntemi MAH1 modeli, eğitim:%70 ile gerçek değerlerin

karşılaştırılması ... 93 5.57. Eylül ayı için Regresyon yöntemi MAH1 modeli ile gerçek değerlerin karşılaştırılması .. 95 5.58. Eylül ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:2 nöron ağ

mimarisi ... 97 5.59. Eylül ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:2 nöron ile

gerçek değerlerin karşılaştırılması... 97 5.60. Eylül ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:11+11 nöron

(14)

ŞEKİLLER DİZİNİ (devam)

Şekil Sayfa 5.61. Eylül ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:11+11 nöron

ile gerçek değerlerin karşılaştırılması ... 99 5.62. Eylül ayı için RTYSA yöntemi MAH1 modeli, eğitim:%70 ile gerçek değerlerin

karşılaştırılması ... 100 5.63. Ekim ayı için Regresyon yöntemi MAH1 modeli ile gerçek değerlerin karşılaştırılması 102 5.64. Ekim ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:13 nöron ağ

mimarisi ... 104 5.65. Ekim ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:13 nöron ile

gerçek değerlerin karşılaştırılması... 104 5.66. Ekim ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:15+15 nöron

ağ mimarisi ... 106 5.67. Ekim ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:15+15 nöron

ile gerçek değerlerin karşılaştırılması ... 106 5.68. Ekim ayı için RTYSA yöntemi MAH1 modeli, eğitim:%70 ile gerçek değerlerin

karşılaştırılması ... 107 5.69. Kasım ayı için Regresyon yöntemi MAH1 modeli ile gerçek değerlerin

karşılaştırılması ... 109 5.70. Kasım ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:17 nöron ağ

mimarisi ... 111 5.71. Kasım ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:17 nöron ile

gerçek değerlerin karşılaştırılması... 111 5.72. Kasım ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:9+9 nöron ağ

mimarisi ... 113 5.73. Kasım ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:9+9 nöron,

ile gerçek değerlerin karşılaştırılması ... 113 5.74. Kasım ayı için RTYSA yöntemi MAH1 modeli, eğitim:%70 ile gerçek değerlerin

karşılaştırılması ... 114 5.75. Aralık ayı için Regresyon yöntemi MAH1 modeli ile gerçek değerlerin

karşılaştırılması ... 116 5.76. Aralık ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:10 nöron ağ

(15)

ŞEKİLLER DİZİNİ (devam)

Şekil Sayfa 5.77. Aralık ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:10 nöron ile

gerçek değerlerin karşılaştırılması... 118 5.78. Aralık ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:15+15 nöron

ağ mimarisi ... 120 5.79. Aralık ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 2 gizli katman:15+15 nöron

ile gerçek değerlerin karşılaştırılması ... 120 5.80. Aralık ayı için RTYSA yöntemi MAH1 modeli, eğitim:%70 ile gerçek değerlerin

karşılaştırılması ... 121 6.1. Regresyon, GYYSA, RTYSA tahmin yöntemlerinin yıllık tahmin performans R2

değerleri ... 134 6.2. Regresyon, GYYSA, RTYSA tahmin yöntemleri ile hesaplanan 2018-2019-2020 yıllarına

ait enerji tüketim değerleri ... 135 6.3. Regresyon, GYYSA, RTYSA tahmin yöntemlerinin aylık tahmin performans R2

değerleri ... 137 6.4. Regresyon, GYYSA, RTYSA tahmin yöntemleri ile hesaplanan 2018 yıllına ait aylık enerji

tüketim değerleri ... 138 6.5. Regresyon, GYYSA, RTYSA tahmin yöntemleri ile hesaplanan 2019 yıllına ait aylık enerji

tüketim değerleri ... 140 6.6. Regresyon, GYYSA, RTYSA tahmin yöntemleri ile hesaplanan 2020 yıllına ait aylık enerji

(16)

ÇİZELGELER DİZİNİ

Çizelge Sayfa

4.1. Araştırmada kullanılacak modeller ... 26 5.1. Regresyon ile Zonguldak ilinin yıllık modellerinin R2 sonuçları. ... 28 5.2. GYYSA ile Zonguldak ilinin %70 eğitim değeri, 1 giriş katman 1 gizli katmanı ile ... 31 5.3. GYYSA ile Zonguldak ilinin %70 eğitim değeri , 1 giriş katman 2 gizli katmanı ile yıllık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 33 5.4. RTYSA ile Zonguldak ilinin %70 eğitim değeri ile yıllık modellerde yapılan

incelemelerden elde edilen R2 değerleri tablosu ... 35 5.5. Regresyon ile Zonguldak ilinin Ocak ayı için aylık modellerinin R2 sonuçları. ... 38 5.6. GYYSA ile Zonguldak ilinin Ocak ayı için 1 giriş katman 1 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 40 5.7. GYYSA ile Zonguldak ilinin Ocak ayı için 1 giriş katman 2 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 42 5.8. RTYSA ile Zonguldak ilinin Ocak ayı için aylık modellerde yapılan incelemelerden elde

edilen R2 değerleri tablosu ... 44 5.9. Regresyon ile Zonguldak ilinin Şubat ayı için aylık modellerinin R2 sonuçları... 45 5.10. GYYSA ile Zonguldak ilinin Şubat ayı için 1 giriş katman 1 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 47 5.11. GYYSA ile Zonguldak ilinin Şubat ayı için 1 giriş katman 2 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 49 5.12. RTYSA ile Zonguldak ilinin Şubat ayı için aylık modellerde yapılan incelemelerden elde

edilen R2 değerleri tablosu ... 51 5.13. Regresyon ile Zonguldak ilinin Mart ayı için aylık modellerinin R2 sonuçları. ... 52 5.14. GYYSA ile Zonguldak ilinin Mart ayı için 1 giriş katman 1 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 54 5.15. GYYSA ile Zonguldak ilinin Mart ayı için 1 giriş katman 2 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 56 5.16. RTYSA ile Zonguldak ilinin Mart ayı için aylık modellerde yapılan incelemelerden elde

edilen R2 değerleri tablosu ... 58 5.17. Regresyon ile Zonguldak ilinin Nisan ayı için aylık modellerinin R2 sonuçları. ... 59 5.18. GYYSA ile Zonguldak ilinin Nisan ayı için 1 giriş katman 1 gizli katmanı ile aylık

(17)

ÇİZELGELER DİZİNİ (devam)

Çizelge Sayfa

5.19. GYYSA ile Zonguldak ilinin Nisan ayı için 1 giriş katman 2 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 63 5.20. RTYSA ile Zonguldak ilinin Nisan ayı için aylık modellerde yapılan incelemelerden elde

edilen R2 değerleri tablosu ... 65 5.21. Regresyon ile Zonguldak ilinin Mayıs ayı için aylık modellerinin R2 sonuçları. ... 66 5.22. GYYSA ile Zonguldak ilinin Mayıs ayı için 1 giriş katman 1 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 68 5.23. GYYSA ile Zonguldak ilinin Mayıs ayı için 1 giriş katman 2 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 70 5.24. RTYSA ile Zonguldak ilinin Mayıs ayı için aylık modellerde yapılan incelemelerden elde

edilen R2 değerleri tablosu ... 72 5.25. Regresyon ile Zonguldak ilinin Haziran ayı için aylık modellerinin R2 sonuçları. ... 73 5.26. GYYSA ile Zonguldak ilinin Haziran ayı için 1 giriş katman 1 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 75 5.27. GYYSA ile Zonguldak ilinin Haziran ayı için 1 giriş katman 2 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 77 5.28. RTYSA ile Zonguldak ilinin Haziran ayı için aylık modellerde yapılan incelemelerden

elde edilen R2 değerleri tablosu ... 79 5.29. Regresyon ile Zonguldak ilinin Temmuz ayı için aylık modellerinin R2 sonuçları... 80 5.30. GYYSA ile Zonguldak ilinin Temmuz ayı için 1 giriş katman 1 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 82 5.31. GYYSA ile Zonguldak ilinin Temmuz ayı için 1 giriş katman 2 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 84 5.32. RTYSA ile Zonguldak ilinin Temmuz ayı için aylık modellerde yapılan incelemelerden

elde edilen R2 değerleri tablosu ... 86 5.33. Regresyon ile Zonguldak ilinin Ağustos ayı için aylık modellerinin R2 sonuçları. ... 87 5.34. GYYSA ile Zonguldak ilinin Ağustos ayı için 1 giriş katman 1 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 89 5.35. GYYSA ile Zonguldak ilinin Ağustos ayı için 1 giriş katman 2 gizli katmanı ile aylık

(18)

ÇİZELGELER DİZİNİ (devam)

Çizelge Sayfa

5.36. RTYSA ile Zonguldak ilinin Ağustos ayı için aylık modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu ... 93 5.37. Regresyon ile Zonguldak ilinin Eylül ayı için aylık modellerinin R2 sonuçları. ... 94 5.38. GYYSA ile Zonguldak ilinin Eylül ayı için 1 giriş katman 1 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 96 5.39. GYYSA ile Zonguldak ilinin Eylül ayı için 1 giriş katman 2 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 98 5.40. RTYSA ile Zonguldak ilinin Eylül ayı için aylık modellerde yapılan incelemelerden elde

edilen R2 değerleri tablosu ... 100 5.41. Regresyon ile Zonguldak ilinin Ekim ayı için aylık modellerinin R2 sonuçları. ... 101 5.42. GYYSA ile Zonguldak ilinin Ekim ayı için 1 giriş katman 1 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 103 5.43. GYYSA ile Zonguldak ilinin Ekim ayı için 1 giriş katman 2 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu ... 105 5.44. RTYSA ile Zonguldak ilinin Ekim ayı için aylık modellerde yapılan incelemelerden elde

edilen R2 değerleri tablosu ... 107 5.45. Regresyon ile Zonguldak ilinin Kasım ayı için aylık modellerinin R2 sonuçları. ... 108 5.46. GYYSA ile Zonguldak ilinin Kasım ayı için 1 giriş katman 1 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 110 5.47. GYYSA ile Zonguldak ilinin Kasım ayı için 1 giriş katman 2 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 112 5.48. RTYSA ile Zonguldak ilinin Kasım ayı için aylık modellerde yapılan incelemelerden elde

edilen R2 değerleri tablosu ... 114 5.49. Regresyon ile Zonguldak ilinin aralık ayı için aylık modellerinin R2 sonuçları. ... 115 5.50. GYYSA ile Zonguldak ilinin Aralık ayı için 1 giriş katman 1 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 117 5.51. GYYSA ile Zonguldak ilinin Aralık ayı için 1 giriş katman 2 gizli katmanı ile aylık

modellerde yapılan incelemelerden elde edilen R2 değerleri tablosu... 119 5.52. RTYSA ile Zonguldak ilinin aralık ayı için aylık modellerde yapılan incelemelerden elde

(19)

ÇİZELGELER DİZİNİ (devam)

Çizelge Sayfa

6.2. Zonguldak ili Ocak ayı için enerji tüketim verilerine göre 2018, 2019, 2020 yılları tahmini ... 124 6.3. Zonguldak ili şubat ayı için enerji tüketim verilerine göre 2018,2019,2020 yılları

tahmini ... 125 6.4. Zonguldak ili mart ayı için enerji tüketim verilerine göre 2018,2019,2020 yılları tahmini125 6.5. Zonguldak ili nisan ayı için enerji tüketim verilerine göre 2018, 2019, 2020 yılları

tahmini ... 126 6.6. Zonguldak ili Mayıs ayı için enerji tüketim verilerine göre 2018,2019,2020 yılları tahmini

... 127 6.7. Zonguldak ili Haziran ayı için enerji tüketim verilerine göre 2018, 2019, 2020 yılları

tahmini ... 128 6.8. Zonguldak ili Temmuz ayı için enerji tüketim verilerine göre 2018, 2019, 2020 yılları

tahmini ... 128 6.9. Zonguldak ili Ağustos ayı için enerji tüketim verilerine göre 2018, 2019, 2020 yılları

tahmini ... 129 6.10. Zonguldak ili Eylül ayı için enerji tüketim verilerine göre 2018, 2019, 2020 yılları

tahmini ... 130 6.11. Zonguldak ili Ekim ayı için enerji tüketim verilerine göre 2018, 2019, 2020 yılları

tahmini ... 131 6.12. Zonguldak ili Kasım ayı için enerji tüketim verilerine göre 2018, 2019, 2020 yılları

tahmini ... 131 6. 13.Zonguldak ili Aralık ayı için enerji tüketim verilerine göre 2018, 2019, 2020 yılları

tahmini ... 132 6. 14. Regresyon, GYYSA, RTYSA tahmin yöntemlerinin yıllık tahmin performans R2

değerleri ... 134 6.15. Regresyon, GYYSA, RTYSA tahmin yöntemleri ile hesaplanan 2018-2019-2020 yıllarına

ait enerji tüketim değerleri ... 135 6.16. Regresyon, GYYSA, RTYSA tahmin yöntemlerinin aylık tahmin performans R2

değerleri ... 136 6. 17 Regresyon, GYYSA, RTYSA tahmin yöntemleri ile hesaplanan 2018 yılına ait aylık enerji tüketim değerleri ... 138

(20)

ÇİZELGELER DİZİNİ (devam)

Çizelge Sayfa

6. 18.Regresyon, GYYSA, RTYSA tahmin yöntemleri ile hesaplanan 2019 yılına ait aylık enerji tüketim değerleri ... 139 6.19. Regresyon, GYYSA, RTYSA tahmin yöntemleri ile hesaplanan 2020 yılına ait aylık enerji tüketim değerleri ... 140

(21)

SİMGELER VE KISALTMALAR DİZİNİ

Simgeler Açıklama

S Sıcaklık

B Kullanma amacına göre veya kısmen biten yeni ve ilave yapıların toplam m²

K Kişi başı toplam elektrik tüketimi(kWh) G Zonguldak ili kişi başına GSYH’ sı($)

M Zonguldak ilinde madencilik ve taş ocakçılığı iş kolunda çalışan sayısı

N Nüfus

Kısaltmalar Açıklama

Ar-Ge Araştırma ve Geliştirme

ANFIS Adaptif Nöro Bulanık Çıkarım Sistemini ANFIS Adaptif Sinirsel Bulanık Mantık

ANN Artifical Neural Network

ARIMA Autoregressive Integrated Moving Average ARMA Autoregressive Moving Averages

BM Bulanık Mantık

GDP Gayri Safi Yurt İçi Hasıla GSMH Gayrisafi Milli Hasıla GSYH Gayri Safi Yurtiçi Hasıla

GWh Giga Watt Saat

GYYSA Geri Yayılımlı Yapay Sinir Ağları

kWh Kilowatt Saat

LSMRA En Küçük Kare Tabanlı Çoklu Regresyon Analizi Modeli MAED Model For Analysis Of Energy Demand

MGM Meteoroloji Genel Müdürlüğü’nden MIST Mexican, Indonesia, South Korea, Turkey

MLP Çok Katmanlı Algılayıcı

MWh Megawatt Saat

R² Karesel Hata Oranı

RTYSA Radyal Tabanlı Yapay Sinir Ağları

SGK Sosyal Güvenlik Kurumu

(22)

SİMGELER VE KISALTMALAR DİZİNİ (devam)

Kısaltmalar Açıklama

TÜİK Türkiye İstatistik Kurumu

WNN Wavelet Neural Network

www World Wide Web'in (Geniş Dünya Ağı)

YSA Yapay Sinir Ağları

YY Yüz Yıl

(23)

1. GİRİŞ

Dünya genelinde enerji gereksinimi gün geçtikçe artmaktadır. Yaşanan hızlı nüfus artışı, hayatın her alanında yaşanan teknolojik dönüşüm paralelinde enerji gereksinimine duyulan ihtiyaç büyük bir ivme ile artmaktadır. Enerji verimliliğini arttırmak amacıyla yapılan çalışmalar enerji ihtiyacına çözüm üretme yolunda büyük önem arz etmektedir.

Enerji gereksiniminin büyük bir kısmını elektrik enerjisi oluşturur. Aynı zamanda diğer enerji formlarına en verimli dönüştürülebilen, iletim ve dağıtımı diğer enerji formlarına göre en ideal olan elektrik enerjisidir. Elektrik enerjisinin yetersiz veya aşırı üretimi, elektrik enerjisinin depolanamaması veya tüketimdeki fazla yüklenmeler Elektrik enerjisinin sistemin çökmesine neden olabilir. Böyle bir durumda ise, hayat koşulları ve ülke ekonomisi üzerindeki etkileri göz önünde bulundurulduğunda ülke ekonomisine zararları olacaktır. Türkiye enerji ihtiyacımın büyük bir kısmını yurt dışından ithal ettiğinden dolayı ülkemizin dışa bağımlılığı ve dış borçlanması bu sebep ile artmaktadır. Tüketicilere enerjinin ucuz ve kaliteli olarak ulaştırılmasında en önemli etken elektrik enerjisinin üretimi iletimi ve dağıtım aşamasında planlanmasıdır. Planlama yaparken elektrik enerji sistemlerinin gelecekteki elektrik enerji ihtiyacının belirlenmesi büyük önem arz eder.

Elektrik enerjisi talebini çok kısa, kısa, orta ve uzun dönem olarak sınıflandırılabilir. Elektrik enerjini tüketimini etkileyen faktörler bölgesel gelişmeler, nüfus, iktisadi gelişmeler, hava durumu, elektrik fiyatları ve tesadüfi şoklardır.

Bu çalışmada Zonguldak ilinde elektrik sistemlerine yapılabilecek yatırımların planlanması için uzun dönem tüketim tahmini yapılmak istenmektedir. Bundan dolayı Zonguldak ilinin uzun dönem elektrik enerjisi ihtiyacı Regresyon, Geri Yayılımlı Yapay Sinir Ağları, Radyal Tabanlı Yapay Sinir Ağları yöntemleri ile tahmin edilmeye çalışılmıştır.

Çalışmanın bundan sonraki kısımlarında ise sırasıyla, ikinci bölümde yük tahmini konusunda literatürde yapılan bazı çalışmalardan bahsedilmiştir. Üçüncü bölümünde yük tahmininde kullanılan değişkenler ve buna bağlı olarak oluşturulan modeller ile verilerin kullanımı açıklanmıştır. Dördüncü bölümde Zonguldak ilinin yıllık ve aylık periyotlarda regresyon, geri yayılımlı yapay sinir ağları, radyal tabanlı yapay sinir ağları tahmin metotlarıyla oluşturulan en ideal olan modelleri ortaya çıkarılmıştır. Beşinci bölümünde belirlenen en ideal metotlar kullanılarak 3 yıllık enerji tahmini yapılmıştır. Altıncı bölümünde ise sonuç ve önerilerde bulunulmuştur.

(24)

2. ELEKTRİK ENERJİSİ

Dünyanın enerji gereksiniminin büyük bir bölümü petrol ile karşılanmaktadır. Petrolün ardından gelen diğer enerji kaynakları olarak; doğal gaz, hidroelektrik, nükleer ve yenilenebilir enerji kaynakları sayılabilmektedir. 2035 tahmini incelendiğinde, kömürün değil çevreye zarar vermeyen doğal gazın kullanım oranının git gide arttıracağı ön görülmektedir. Ayrıca, tüm dünyada gaza erişimi artıran sıvılaştırılmış doğal gazın, kullanım oranının hızla büyümesi sayesinde doğal gazın petrol veya kömüre kıyasla daha hızlı gelişim göstermesi beklenmektedir (BP Energy Outlook, 2012: 11).

Yıllık enerji tüketiminin artması enerji kaynaklarının daha verimli kullanılması gerekliliğini ortaya çıkarmıştır. Enerji tüketiminin azaltılması son yıllarda ele alınacak en önemli konulardan biri olarak görülmektedir. İnsanlar bilinçli olsun ya da olmasın enerji tüketiminden kaçınmak, teknolojik gelişmeler ve bu teknolojilerin enerji üretimine uygulanması kaydedilmektedir.

Teknoloji, enerjinin verimliliğini artıran en önemli etkendir. Bu da üretim maliyetlerini düşürmektedir. Mesela, son yıllarda beyaz eşyalarda görülen A+, A++ gibi ürünler, enerji tasarrufu sağlanmaktadır. Enerji gereksiniminin artışını en aza indirmeyi amaçlayan teknolojik gelişmeler, dünya enerji üretimi ve tüketimine direkt olarak etki etmektedir. 40-50 yıl sonra en çok kullanılan enerji kaynağı olan petrolün biteceği üzerine yapılan araştırmalar enerji verimliliğini artıran teknolojilerin önemini ortaya koymaktadır. Özel sektörün ve kamu sektörünün Ar-Ge çalışmaları, dünyanın her yerinde daha verimli enerji kullanımı için yürütülmektedir (TP, 2016:14).

Enerji, günlük yaşam, teknoloji ve tüm bunların gelişimde çok geniş bir etkiye sahiptir. Ekonomiler gelişip daha da karmaşık hale büründükçe ülkelerin enerji ihtiyaçları da büyük ölçüde artış göstermiştir. Ekonomik gelişimin her aşaması, bir temel yakıt kaynağından diğerine enerji intikali ile karakterize olmuştur. Günümüzde kömür, petrol, doğal gaz olarak bildiğimiz fosil yakıtlar endüstriyel ekonomilerde açık ara başı çeken kaynaklardır ve ekonomilerin gelişiminde enerji üretiminin temel kaynağı olmaktadır. Ancak 21. yüzyıl, enerji kaynaklarının intikalinde büyük bir değişimin başladığı, fosil yakıtlardan yenilenebilir enerji kaynaklarına geçişin yaşandığı bir zamandır. Bu bağlamda birincil enerji kaynakları doğrudan çevreden çıkarılmaktayken, ikincil türe sahip enerji kaynakları birincil enerji kaynaklarından -örneğin elektrik veya yakıt biçiminde- türetilmektedir. Yenilenemeyen enerji kaynakları kömür, petrol, doğalgaz ve nükleerdir; yenilenebilir enerji kaynakları güneş, biyoenerji, rüzgâr ve jeotermal

(25)

olarak karşımıza çıkmaktadır. Toplam enerji ise, bir sistemin sahip olduğu tüm enerjinin toplamını ifade etmektedir (Timmons vd. 2014:3).

İkincil enerji kaynaklarının elde edilebilmeleri için birincil enerji kaynaklarının kullanımına ihtiyaç duyulmaktadır. Elektrik enerjisi ikincil bir enerji kaynağıdır. Günümüzde elektrik enerjisi pek çok alanda ve yaygın olarak kullanılmaktadır. Aslında enerji kaynaklarının büyük bir kısmından elektrik enerjisi haline çevrilerek faydalanılmaktadır (Demirel, 2016:36).

Elektrik enerjisinin diğer enerji türlerine göre çeşitli üstünlükleri vardır. Elektrik, istenilen miktarlara bölünebilir, çeşitli maksatlarla kullanılmaya uygundur, atık bırakmayan ve havayı kirletmeyen bir özelliğe sahiptir ve aydınlatma, elektrosimi ve elektrometalürji dallarında yerine başka hiçbir enerji cinsinin ikame edilemeyecek olması üstünlüğüne sahiptir. Dezavantajlı yanı ise, üretildiği anda kullanılması depolanmasının çok mahdut ölçüde, pahalıya mal olması ve taşınmasının güçlüğüdür.

Günümüzde, enerji denildiğinde akla ilk olarak elektrik enerjisi gelmektedir. Her türlü ekonomik faaliyetin temel girdisi olan elektrik enerjisinin kullanım alanının artması elektrik enerjisine olan talebi de arttırmaktadır. En küçük yerleşim birimine kadar uzanan dağıtım şebekesinin tüketiciye sağladığı kullanım kolaylığı, elektrik enerjisi tüketiminin toplam enerji tüketimi içindeki payını da arttırmıştır (Kılıç, 2006:12).

Elektrik ile birlikte, modern toplumda, World Wide Web'in (Geniş Dünya Ağı) hayatımızda büyük etkisi olmaktadır. Herkes, yaşadıkları dünyadan daha fazla haberdar olmuş ve çevremiz hakkında bilgi sahibi olmalarına ve modern toplumdaki her şeyin nerelerde işe yaradığına dair daha fazla bilgiye sahip olmaya izin vermektedir.

Elektrik hastanelerin, tıbbi problemleri olan insanlara yardımcı olmak için tıbbi ekipman kullanım alanını oldukça artmaktadır. Elektrik, dolayısıyla hayat kurtarmakta ve insan ömrünü uzatmada önemli bir etmendir. Bu yüzden yalnızca daha bilinçli ve akıllı bir toplum değil, daha sağlıklı bir toplumun yaratılması açısından önem taşımaktadır. İnsan hayatının hiçbir şekilde elektrikten arındırılması mümkün olmamakla birlikte elektriğin bir şekilde ortadan kalkması durumunda çoğu halkın yaşam kalitesinin önemli ölçüde azalmasına ve etkilenmesine sebep olacaktır (Hashmi vd. 2011:4).

Elektrik, en modern buluşların temelini oluşturur ve doğal olarak o olmadan 21.yy. 19.yy. ile karşılaştırılabilir olacaktır. Günümüz kültürünün içinde elektrik, bir toplum olarak işlev görmek açısından hayati bir parçasıdır. Belirli bir saatte uyanmak ya da bir parçanın keyfini çıkarmak gibi basit görevler şu anda elektronik yollarla gerçekleştirilir. Nispeten kısa bir elektrik

(26)

kesintisi fabrikalarının kapatılmasının, telefonların ve bilgisayarların kullanılamamasının, trafiğin yavaşlamasının, gıdaların soğutucularda bozulmasının sebebi olmakta ve ne kadar önemli olduğunun altını çizilmektedir. Bununla birlikte, elektrik sürekli gelişen bir teknolojidir ve hali hazırda elektrik ve elektrik üretimiyle ilişkili olan yönler orijinal keşiflerden bir kısmı değişim göstermiştir. Geçen yüzyılın bir buçuk yılında elektrik, bilimsel bir meraktan, bir lükse, modern bir ihtiyaca doğru gittikçe gelişmiştir.

2.1. Enerji Talebi ve Etkileyen Faktörler

Ekonomik ve sosyal kalkınmanın temel girdilerden birisi olan enerji, toplumun yasam standardının yükseltilmesinde, sürdürülebilir kalkınmanın sağlanmasında önemli rol oynamaktadır. Bu nedenle ülkelerin gelişiminde zamanında, güvenilir, temiz ve kesintisiz enerjinin sağlanması, fiyat istikrarının gerçekleştirileceği piyasa ortamının oluşturulması, diğer bir deyişle çağdaş enerji yönetiminin başarılı biçimde uygulanması zorunlu hale gelmiştir. Dünya ekonomisindeki hızlı büyüme ve nüfus artısı enerjiye olan talebi artırmaktadır (Marşap vd., 2008:1).

Enerji ekonomisi, enerji talebinin ortaya çıkması ve buna karşılık olarak enerji arzının sağlanabilmesidir. Enerji talebi, günlük tüketim ve ekonomik faaliyetlerin gerçekleşmesi için bireyler ve çeşitli kurumlar tarafından talep edilen enerji miktarıdır. Dünyada nüfus artısı, sanayileşme ve şehirleşme ile birlikte, küreselleşme sonucu artan ticaret ve üretim imkânlarına bağlı olarak enerjiye olan talep giderek artmaktadır (ETKB, 2015:2).

Öte yandan gelişmiş Amerika ülkelerde gibi bu hizmetin özelleştiği elektrik fiyatları genel olarak enerji santralleri ve elektrik şebekesi (enerji iletim ve dağıtım hatlarının karmaşık sistemi) oluşturma, finanse etme, bakım ve işletme maliyetlerini yansıtmaktadır. Bu bağlamda, bazı anahtar faktörler elektrik fiyatını etkilemektedir (EIA, 2017:6):

 Yakıtlar: Yakıt maliyetleri birim yakıtın birim maliyetine bağlı olarak değişebilir. Enerji santralleri genellikle yüksek talep dönemlerinde nispeten yüksek yakıt maliyetine sahip elektrik jeneratörleri kullanmaktadırlar.

 Enerji Santralleri: Her santralin inşaat, bakım ve işletme maliyetleri vardır. Bu da çıktının fiyatına etki etmektedir.

 İletim ve Dağıtım Sistemi: Elektrik ileten elektrik dağıtım ve dağıtım sistemlerinin, kazalara veya aşırı hava koşullarına karşı sistemlerde hasarın onarılmasını içeren bakım maliyetleri bulunmaktadır.

(27)

 Hava Koşulları: Yağmur ve kar, düşük maliyetli hidroelektrik üretimi için su sağlar. Rüzgâr, rüzgâr hızları uygun olduğunda rüzgâr türbinlerinden düşük maliyetli elektrik üretimi sağlayabilmektedir. Ancak, aşırı sıcaklıklar özellikle soğutma için elektrik talebini ve talep fiyatları artırabilmektedir.

 Yönetmelikler: Bazı devletlerde Kamu Hizmeti/Fayda Komisyonları fiyatları tamamen düzenlerken, diğer devletler düzenlemesiz fiyatlar (jeneratörler için) ve düzenlenmiş fiyatlar (iletim ve dağıtım için) kombinasyonuna sahip olmaktadır.

Şekil 2.1.’de elektrik fiyatlarının dağıtım, aktarım ve üretim süreçlerinden etkilenme grafiğine yer verilmiştir.

Şekil 2.1. Fiyatı etkileyen üretim süreçlerinin oranı (https://www.eia.gov/energyexplained/ index.cfm?page=electricity_factors_affecting_prices).

Genel olarak, talep projeksiyonlarının iki ana boyutu dikkate alınması gerekmektedir: Gelir ve fiyatı etkileyen faktörler. Geliri etkileyen faktörler, GSYH büyümesi, hane halkı harcanabilir gelir artışı, nüfus artışı, hane halkı sayısındaki büyüme veya kişi başına yaşam alanı gibi makroekonomik ve demografik faktörlerdir. Diğer taraftan, fiyatı etkileyen faktörler, elektrik ve elektrik alanının yerini alabilecek diğer enerji kaynakları seviyesidir (Chen, 2017:2).

2.2. Türkiye’de Elektrik Enerjisi Tüketimi

Ekonomik büyüme ile gerekli enerji arttıkça, elektrik sanayisine yapılan yatırımlar buna göre planlanmalıdır. Bir elektrik enerjisinin üretimi, iletimi ve dağıtımı ana hedefi, tüketicilere ekonomik ve yüksek kaliteli enerji sağlamaktır. Nüfus hızla büyüdüğünden, sağlanan enerjinin

Aktarım 11% Üretim 57% Dağıtım 32%

(28)

kalitesini ve güvenilirliğini korumak çok önemlidir. Bunu sürdürmek için, talebi karşılamak için mevcut sistemlerin genişletilmesi gerekmektedir.

Elektrik sistemleri, enerjiyi tüketici için üretme ve ona iletmek ve gönderme amacıyla yakıt alımından başlayarak komple bir planlama süreci gerektirir. Üretim sistemleri planlamasında, öngörülen enerji talebini uygun ve ekonomik bir şekilde karşılayacak santrallerin yapımı ve bu tesislerin programları belirlenmektedir. İletim ve dağıtım planlamasında temel amaç; son kullanıcılara kaliteli, ekonomik ve güvenilir enerji sağlamayı sağlayacak dağıtım ve iletim hatlarını ve istasyonlarını kurmaktır.

Türkiye’de elektrik tüketimi, teknolojik ve modern gelişmeler sebebiyle gün geçtikçe artmaktadır. Fakat elektrik üretimi konusunda hala büyük problemler bulunmaktadır. Bu açıdan gerekli olan elektrik miktarını tahmin edip ona göre bir yol haritasının çizilmesi büyük önem arz etmektedir. Şekil 2.2.’de Türkiye’deki elektrik tüketim oranları çizgisel grafikle verilmiştir (Ertuğrul, 2011:61).

Şekil 2.2. Aylık toplam elektrik tüketimi (GWh) (http://enerjienstitusu.com/elektrik-tuketim-istatistikleri/).

Şekil 2.2.’deki grafiğe göre 2010-2017 yılları arası elektrik tüketim oranları doğrusal bir atış göstermiştir. Her yıl bir öncekinden daha fazla elektrik tüketilmiş ve aylara göre de bu tüketim miktarları değişim göstermiştir. Özellikle Ağustos ve Aralık aylarında en yüksek seviyelere çıkan elektrik tüketim oranları Şubat ve Nisan aylarında en düşük seviyelerde seyretmiştir.

(29)

2.3. Türkiye’de Enerji Talebinin Belirlenmesi

1980 kararlarından sonra hızlı nüfus artışı ve endüstriyelleşme ile enerji talebi ve tüketimi hızla artmıştır. 2008 krizinin etkileri Türkiye’de 2009 yılında görülmüş ve enerji tüketiminde azalma ile birlikte sanayi sektöründe daralma gerçekleşmiştir. 2011 yılı itibari ile Türkiye enerji tüketiminin yaklaşık yüzde 83’ünü ithal ederek karşılamaktadır. Bu ithalatın cari açıktaki payı yüzde 70 civarındadır (Yanar ve Kerimoğlu, 2011: 193). Bu pay cari açıkta 54 milyar dolar gibi önemli bir yere sahip olmakla birlikte oluşan yüksek maliyetten dolayı teknoloji ithalatı yeterli düzeyde gerçekleşememektedir. Enerji tüketimi en fazla sanayi sektörünü etkilemekle birlikte tarım ve hizmetler sektörü için de önemlidir. Türkiye’de tarımda kullanılan enerji girdisinin tamamına yakını ithal edildiği için maliyetler yükselmektedir. Bu sebeple birçok tarım ürünü artık üretilmemekte, yurt dışından ithal edilmektedir. Türkiye 2014 yılı itibariyle Dünya toplam birincil enerji tüketiminin yalnızca %1’ini gerçekleştirmektedir (http://databank.worldbank.org/data/ reports.aspx? source=world-adevelopment-indicators#, BP Statistical Review of World Energy, 2015:40).

Türkiye’nin hem reel gayrisafi yurtiçi hasılası (2005 $) hem de birincil enerji tüketimi (mtep) yıllar itibariyle artış göstermiştir. 2009 yılında birçok ekonomik göstergede olduğu gibi GDP’deki düşüşün sebebi 2008 ekonomik krizinin etkilerinin Türkiye’de 2009 yılında hissedilmiş olmasıdır. Ayrıca kriz dönemi boyunca ülkede toplam birincil enerji tüketimi sabit bir seyir izlemiştir. Türkiye’nin MIST ülkeleri içerisinde en az birincil enerji tüketimi gerçekleştiren ülke olması dikkat çekmektedir.

(30)

3. YÜK TAHMİNİ

Elektrik endüstrisinde, doğru zamanda doğru kararlar almak için ilk adım doğru bir elektrik yükü tahmini yapmaktır. Kârlı ve verimli yatırım yapmak, yeni sistemler kurmak ve mevcut sistemlerin kapasitesini artırmak için enerji talebinin bilinmesi oldukça önemlidir. Özellikle denetimsiz piyasalarda, başkalarıyla rekabet etmek isteyen bir yatırımcı, belirli bir zamanda yük talebini öngörmek zorundadır. Yük tahminin önemini kazandığı durum işte bu durumdur (Weron, 2007:17).

Talebi daha az tahmin etme, enerji arzında bir sınırlamaya, enerjinin kalitesinin düşmesine ve sistemin güvenilirliğinin azalmasına neden olabilir. Ayrıca, tedarikçinin piyasadaki diğer tedarikçilerden enerji alması gerekebileceğinden, tedarikçi ekonomik olarak olumsuz etkilenmektedir. Öte yandan, yüksek tahmin, gereksiz yatırımlara neden olabilmektedir (Hong, 2009:3032).

Elektrik güç sistemlerinde tüketici yük talepleri değişikliklere bağlı olmaktadır. Çünkü insan aktiviteleri günlük, haftalık ve aylık döngüleri izlemektedir. Bu bağlamda, fiyatı belirleyen ana etkenlerden biri talep olmaktadır. Yük talepleri endüstriyel yükün yüksek olduğu, ışıkların açık olduğu vb. durumların yaşandığı gün içerisinde ve akşamın erken saatlerinde genellikle daha yüksek olmakta ve nüfusun çoğunun uykuda olduğu gecenin geç saatlerinde ve sabahın erken saatlerinde daha düşük biçimde şekillenmektedir (Yamin vd., 2004:229).

Yük talebinin tahmini, fiyat politikasına yardımcı olmaktadır. Yük tahmini, tahminde işleme sokulacak verilerin daha önceki durumları incelenerek, gelecekteki durumlarının öngörülmesi temelinde yapılmaktadır. Bunun yerinde gerçekleştirilebilmesi için puant yük ve enerji gereksiniminin öngörülmesi önemlidir. Yük tahmini yapılırken ortaya çıkabilecek kimi yanlış saptamalar ya da hatalar problemli olabilmektedir. Dolayısıyla elektrik güç sistemlerindeki yük taleplerini karşılamak için yeterince üretici birimin olaya dâhil olması gerekmektedir. Eğer pik noktasındaki yük talebini karşılamaya yetecek kadar üretici birimi dâhil edilirse ve birimleri zaman zaman çalıştırmaya devam ettirilebilirse üretici birim programlaması için bir brüt güç çözümü sağlanabilmektedir (Yamin vd., 2004:229).

Genel olarak, elektrik enerjisi, endüstriyel faaliyetler, kamusal ve özel kullanımlar gibi geniş bir yelpazede kullanılmaktadır. Yük talebini etkileyen faktörler, belirli tüketim bölümlerine bağlı olmaktadır. Elektrik kullanımı şekli, farklı bölümler için ve farklı zaman aralığı için farklıdır. Ekonomik durum, nüfus, hava durumu, bayramlar ve hatta TV şovları gibi rasgele

(31)

olaylardan etkilenebilmektedir. Şekil 3.1.’de yük ile ana faktörler arasındaki ilişkiyi göstermektedir:

Şekil 3.1. Elektrik yük talebini etkileyen faktörler.

Enerji tüketimini etkileyen birçok faktör olmasına rağmen, yük tahmininde alışılmış yaklaşım, tüm yardımcı programın toplam yüküne odaklanmaktır. Bu yaklaşım, dikkate alınabilecek faktörlerin sayısını azaltmaktadır. Genel olarak, yük talebini etkileyen dört temel faktör bulunmaktadır;

 Kısa vadede, meteorolojik koşullar yük talebi üzerinde büyük etkiye sahiptir. Meteorolojik koşullardan, sıcaklık, rüzgar hızı, bulut örtüsü ve nem etkisinin kısa vade yük tahmininde etkisi bulunmaktadır.

 Uzun vadede, yük talebi üzerinde ekonomik ve demografik faktörler önem kazanmaktadır.

 Genel olarak mevsim etkileri, günlük ve haftalık ritimler, tatiller gibi zaman faktörlerinin hesaba katılması gerekmektedir.

 Küçük özel olaylardan büyük topluluk faaliyetlerine kadar olan rasgele faktörler yük talebini etkileyebilmektedir. Elektrik Yükü Elektrik Fiyatları • Petrol Fiyatları Hava Durumu

• Isıtıcı & Soğutucular

Tesadüfi Şoklar

Bölgesel Gelişme

• Tesisler ve Yatırımlar

Nüfus

(32)

3.1. Yük Tahmininin Zamana Göre Sınıflandırılması

Elektrik enerjisi talebinin tasarlanması, iktisadi ve toplumsal amaçlarla uyacak biçimde, arzu edilen kalitede ve zamanda, güvenli ve ucuz olma koşulu değerlendirilerek gerçekleştirilmektedir. Elektrik enerji sistemi planlamasında ilk aşama olan yük tahmini de, planlama gereğince çeşitli zaman dilimleri için çeşitli biçimde gerçekleştirilmektedir. Yük tahmini, enerji sisteminin tasarlanmasına bağlı biçimde: kısa, orta, uzun dönem şeklinde yapılmaktadır.

3.1.1. Uzun dönem yük tahmini

Bu tahminler genellikle uzun zaman çevrimlerini kapsamaktadır. Tahminleri bir yıllığına, on yıllığına ve bazen de 30 yıla kadar ele alınabilmektedir. Dolayısıyla tahmin süresinin kapsam ve uzunluğuna göre, öngörülen miktarın doğruluğu değişmektedir. Bir diğer ifade ile uzun vadeli yük tahmini, uzak gelecekten kaynaklı geniş/büyük belirsizliklerle şekillenmektedir. Belirsizlik uzun vadeli yük tahminini oldukça zorlu sayısal bir problem haline getirmektedir. Bu tahminlerle enerji puant güç öngörüleri oluşturulur ve var olan kapasitenin bu talebe uygun olup olmadığı incelenmektedir. Talebin karşılanabilmesi adına kullanabilecek enerji kaynakları bulunmaktadır. Üretim yerlerine karar verilmekte ve enerji sistemi gelişimi adına modeller gerçekleştirilmektedir. Tüketicilere ucuz, güvenli ve kaliteli elektrik enerjisi arz edebilmek adına var olan elektrik enerji yapılarının gelecekteki elektrik enerji gereksinimini ve puant yükünü karşılayabilecek biçimde büyütülmesi önemlidir. Enerji santrallarına gerekli ilaveler ve yeni sistemlerin oluşturulması, puant güçler değerlendirilerek, tahmin edilen enerji talebini karşılamaktır (Al-Saba ve El-Amin, 1999:192).

Bu duruma ek olarak, duruma göre tesis tipleri ve bu tesisler adına imalat imkânları analiz edilmektedir. Yük tahminleri neticesi uyarınca imalatla beraber iletim ve dağıtım sistemlerine oluşturulması gerekli olan kapasite ilaveleri ile bu ilavelere dair yatırım maliyetleri saptanmaktadır. Uzun dönem yük tahminleri spesifik olarak iktisadi ve toplumsal veriler temelinde olduğu için, bölgenin enerji talep öngörüleri bu veriler değerlendirilerek gerçekleştirilmektedir. Bu veriler tüketici çeşidine bağlı biçimde nüfus, GSMH, üretim endeksi benzeri verilerdir. Uzun dönem öngörülerinde belirsizliklerin ve değişkenlerin çok olması sebebiyle hata yapma ihtimali daha fazla olmaktadır. Tahminlerin doğruluğu garanti edilememekte, ancak hataların oluşturacağı potansiyel problemler değerlendirilmektedir. Gerçek talep ve enerji öngörülerindeki sapmaların neticelerinin süresi ve etkisi sistem üstünde etkili olmaktadır. Bu hataların minimuma indirgenmesi adına eldeki veriler fazlalaştıkça tahminlerin yeniden yapılması gerekmektedir (Aksel, 2000:14).

(33)

3.1.2. Orta dönem yük tahmini

Bu tahminler, fiziksel donanımların tasarlanmasının ve bakım programlarının gerçekleştirildiği dönemdir. Güç sistemi planlaması, icrası ve hükümet denetimindeki ve denetim dışındaki endüstrilerde firmaların işletimi için faydalı bilgiler sunmaktadır. Süresi; 1 ay ile 1 veya 2 yıl arasında gerçekleşebilmektedir. Enerji talebinin miktarı temelinde yeni tesislerin ortaya çıkarılması, iletim ve dağıtım yapılarında oluşturulacak olan eklemeler ve bu yapılar açısından koruma, kontrol yapılarının planlama çalışmaları için orta dönem yük tahminine ihtiyaç duyulmaktadır. Buna ek olarak, satış tarifelerinin meydana getirilmesi ve puant yükler adına kısa sürede devreye alınabilecek santralların planlanması orta dönem yük tahmini ile gerçekleştirilebilmektedir. Toplu planlama çalışmalarına girişilmesi ve iktisadi analizlerin gerçekleştirilmesi için uygun bir periyottur (Ghiassi, vd. 2006:306).

3.1.3. Kısa dönem yük tahmini

Bu tahmin, üretim birimlerinin çalışma programlarının meydana getirilmesinde, bakım programlarının kontrolünde kullanılmaktadır. Jeneratörlerin devreye girip çıkması bu tahminler ile belirlenmektedir. Genel olarak, yük eğrisindeki puant yük değerleri gerçek zamanlı şekilde tahmin edilmek istenmektedir. Bu tahmin yönteminde en kritik veri hava şartları olmaktayken, kısa vadede meteorolojik koşullar bu kümelenmiş yükte geniş varyasyona sebep olmaktadır. Ayrıca sıcaklığa ek olarak, aynı zamanda rüzgârın hızı, bulut örtüsü ve nem de etkiye sahiptir. (Murto ve Hämäläinen, 1998:10).

Kısa dönem yük tahmini, bir saatten başlayarak bir aya kadar gitmekte ve güç sisteminin günden güne işletimi için gerekli olmaktadır. Kayda değer sayıda işletim kararı kısa vadeli yük tahminlerine dayalı olmaktadır. Elektrik enerji sistemlerinin meydana gelmesinde, sistem yükünün imalatı yakından izlemesi adına en temel öngörülerden birisidir. Sistem için iktisadi çalışma ve verimli kontrolün meydana gelmesi adına, bunun geniş ve farklı zaman periyotlarında meydana gelmesi oldukça önemli olmaktadır. Yük değişimlerinin çok az olduğu saniyeler düzeyinde üretimin yüke denk gelmesinin otomatik imalat kontrolü yapmaktadır (Kyriakides ve Polycarpou, 2007:392).

Tahmin zaman dönemlerine ve metodolojiye bakılmaksızın, bazı faktörlerin kısa dönem yük tahminleri büyük etkileri bulunmaktadır. Elektrik yük tahmin metodolojisinin doğruluk ve etkinliğini artırmak için modele dâhil edilmeleri gerekmektedir. Diğer uzun ve orta dönemli yük tahminleri de kapsayan bu faktörler; iklimsel, periyodik/döngüsel, mevsimsel/sezonsal ve rastgele (grev tatil vs.) şeklinde dört temel kategoriye ayrılabilmektedir. İklim değişiklikleri ise çeşitli ve

(34)

farklı sebepler arasında havanın sıcaklığı, bağıl nem, rüzgâr hızı, yağış miktarı ile ilgilidir. Bu değişkenler çok kısa vadeli elektriksel talepler üzerinde büyük etkiye sahip olmaktadır (dakikalar veya saat öncesi).Daha büyük az değişimlerinin olası olduğu dakikalar seviyesinde, yükün imalat kaynakları arasında iktisadi paylaşılması, iktisadi dağıtım işlevi ile yapılmaktadır. Saat ve gün seviyesinde ise yük değişimi yükselmektedir. Bu bağlamda, yük – üretim dengesini oluşturmak adına, jeneratör ünitelerinin çalışma durumu veya komşu sistemler ile enerji alışverişinden bahsedilebilmektedir (Oliveira vd., 2011:6).

Yükteki salınımların daha geniş olduğu haftalar seviyesinde, yükün var olan kaynaklardan en iktisadi şekilde alınabilmesi adına; yakıt, hidrolik ve bakım tasarlanması oluşturulmaktadır. Bunlarla birlikte, elektrik enerji yapısının gelecekte güvenilir bir şekilde ortaya çıkmasının sağlanması adına çevrimdışı ağ analiz işlevleri ile saptanmış kimi olasılık şartları altındaki davranışının analiz edilmesi önemlidir. Öte yandan bu analiz işlevinin sistem yükü verisine gereksinimi bulunmaktadır. Elektrik enerji sisteminin iktisadi ve güvenli işletim stratejilerinin meydana getirilmesinde bu tahminin rolü oldukça büyüktür (Zheng vd., 2017:372).

3.1.4. Çok kısa dönem yük tahmini

Bir saatten daha kısa süreler için gerçekleştirilen bu tahminler, işletme kontrol merkezlerindeki operatöre, talep problemine yol açacak yük artış eğiliminin meydana gelip gelmeyeceği bilgisini vermeyi amaçlamaktadır. Bu durumda üretim-yük dengesini korumak hedefiyle acil bir karar alınıp uygulanması gerekmektedir. Bu durum ile, çoğunlukla puant olarak nitelendirilen 17:00-22:00 saatleri arası sistemin fazla yüklendiği zamanlarda yapılmaktadır (Setiawan vd., 2009:2889).

3.2. Yük Tahmini Yöntemleri

Talep tahmininde kullanılan tek bir metot bulunmamaktadır. Tek bir metot olmaması da sıradandır. Bir ekonomide üretilen mal ve hizmetlerin çok türlü bulunması; tüketim malları, ara mallar, sermaye malları taleplerinin birbirinden ayrı biçimde ortaya çıkması; elde edilebilen istatistiklerin çoğu zaman sınırlı ve güvenilirlik seviyelerinin çok değişik olması, tek bir talep tahmin metodunun kullanılmasını olanaksız hale getirmektedir.

3.2.1. Klasik yaklaşımlar

Bir kriter değişkeni ile bir veya daha fazla sayıda tahmin değişkenleri bağlantıyı sayısal hale çevirmede istatistiksel analizler kullanılmaktadır. Regresyon analizi temel olarak değişkenler arasında ilişkinin mahiyetini belirlemeyi hedeflemektedir. Tahmin değişkeni biçiminde bir

(35)

değişken kullanıldığında basit regresyon, tahmin değişkenleri birden fazlaysa çoklu regresyon kullanılmaktadır. Hedeflenen her tahmin değişkeninin kriter değişkenindeki toplam sapmaya olan katkısının belirlenmesi ve bu yüzden tahmin değişkenlerinin doğrusal kombinasyonunun ne kadar olduğundan hareketle kriter değerinin tahmin edilmesi söz konusu olmaktadır (http://www.frekans.com.tr/tr_analizler.html).

Regresyon analizi ise bağımlı değişken ile bir veya daha fazla bağımsız değişken arasındaki ilişkiyi analiz etmektedir. Bir tek bağımsız değişkenin kullanıldığı regresyon tek değişkenli regresyon analizi, birden fazla bağımsız değişkenin kullanıldığı regresyon analizi de çok değişkenli regresyon analizi şeklinde ifade edilmektedir. Bunun dışında, istatistiksel yöntemler de bulunmaktadır.

İstatistiksel olarak adlandırılan klasik yaklaşımlar, yük ile birkaç girdi faktörü arasındaki ilişkiyi tanımlayan bir matematiksel model gerektirir. Elektrik yükü tahmini için ekonometrik, regresyon ve zaman serisi modelleri gibi çok sayıda klasik model uygulanmaktadır. Aşağıda regresyon tabanlı ve zaman serisi modelleri kısaca açıklanmaktadır.

Regresyon modelleri: Yük tahmini konusunda oldukça yaygındır ve hava durumu ve

takvim bilgileri veya müşteri türleri gibi yük ve dış faktörler arasındaki ilişkiyi modellemek için kullanılmaktadır. Regresyon yöntemlerinin uygulanması nispeten kolay olmakta, en yaygın doğrusal regresyon kullanılmaktadır. Bu değişkenlerin katsayıları, en küçük kareler veya diğer regresyon teknikleri kullanılarak hesaplanmıştır. Diğer bir yönü ise; girdi ve çıktı değişkenleri arasındaki ilişkinin anlaşılması kolay olmasıdır (Aksel, 2000:15).

Regresyon tabanlı yöntemler elektrikli araçlar tarafından yaygın olarak kullanılmasına rağmen, bir takım olumsuz yönleri bulunmaktadır. Yük talebi ve etkileyen faktörler arasındaki doğrusal olmayan ve karmaşık ilişki nedeniyle, doğru bir model geliştirmek kolay değildir. Kyriakides ve arkadaşlarının belirttiği üzere; regresyon temelli yöntemlerin yerinde yapılan testlerde, ani hava durumu değişiklikleri ve yük olayları nedeniyle yükün saptığı durumlarda performans bozulma göstermiştir. Bu sorunun ana sebeplerinden biri, katsayılarını tahmin etmek için modelin doğrusallaştırılmasıdır. Bununla birlikte, yük desenleri doğrusal değildir ve lineerleştirilmiş bir model kullanarak farklı zaman periyodlarında yük talebini temsil etmek mümkün değildir. Bu sorunu kısmen azaltmak için, tahmincinin ani hava durumu değişiklikleri ve özel olaylar nedeniyle yük sapmalarını yakalamasını sağlamak için istatistiksel teknikler kullanmak çoğu zaman gerekli olmaktadır (Kyriakides ve Polycarpou, 2007:6).

(36)

Regresyon analizinde kullanılacak fonksiyonun katsayılarını saptamak adına en küçük kareler yöntemi kullanılmaktadır. n tane x serbest değişkeninin (x1, x2,…, xn) değerlerine karşılık gelen n tane y değişkeninin (y1, y2,…, yn) değerlerinin olduğu varsayıldığında, aşağıdaki şekildeki gibi dağılım diyagramında n adet nokta ortaya çıkmaktadır. Değişkenlerin dağılımı yaklaşık biçimde bir doğruyu andırdığından doğrusal regresyon düşünülmektedir. Noktalar arasından geçen doğrunun denklemi aşağıdaki şekildedir (Özliman, 2016:54):

𝑦 = 𝑓(𝑥) = 𝑎 + 𝑏𝑥 (3.1)

Zaman Serisi Modelleri: Zaman serileri teknikleri, yük talebini tarihsel verilerin bir

fonksiyonu olarak modellemektedir. Bu teknikler, verilerin, oto korelasyon, veri eğilimleri ve günlük, haftalık ve mevsimsel değişmelere dayanan belirli bir sabit kalıp izlediğini varsaymaktadır. Bu yaklaşımlar, yük tahmini uygulamaları için kullanılan en eski teknikler arasındadır. Zaman serisi modelleri Box-Jenkins, otoregresif hareketli ortalama (ARMA), otoregresif entegre hareketli ortalama (ARIMA), eksojen değişkenlerle otoregresif hareketli ortalama (ARMAX) ve eksojen değişkenlerle otoregresif entegre hareketli ortalama (ARIMAX) gibi farklı yapılarda literatürde yer almaktadır (Box vd. 2015:34).

3.2.2. Bilgisayarlı yöntemler

Bu yöntemler, 1990'lı yıllarda elektrik yükü tahminlerinde uygulanmaya başlanmıştır. O zamandan beri, özellikle yapay sinir ağları, bu alandaki en popüler ve yaygın yöntem haline gelmiştir. Orijinal yöntemlerin bazı sorunlarının üstesinden gelmek için iki veya daha fazla farklı yaklaşımı birleştirebilen yapay sinir ağları, bulanık sistemler, destek vektör makineleri, evrimsel hesaplama, yığın istihbaratı ve hibrit sistemler alanlarında yaygın olarak kullanılmaktadır. Bu bölümde, yapay sinir ağları modelleri ve bulanık mantık modelleri anlatılmaktadır (Hahn vd. 2009:904).

Yapay Sinir Ağları Modelleri: Yapay sinir ağı temelde insan beyninin işlevlerini taklit

etmek için oluşturulan bir algoritmadır. Temel birimi, birtakım giriş düğümleri yoluyla (sayısal) bilgi alan yapay sinir hücresi olarak görev yapmakta, dâhili olarak işleme koymakta ve yanıt vermektedir. İşlemler genellikle iki aşamada yapılmaktadır. Bu bağlamda, önce girdi değerleri doğrusal olarak birleştirilmekte ve sonuç doğrusal olmayan bir etkinleştirme işlevinin argümanı olarak kullanılmaktadır (Park vd., 1991). Bir nöron üzerindeki aktivite eşitlik 2.2 ve 2.3 deki gibi tanımlanabilmektedir (Khotanzad vd. 1998:1416);

Şekil

Şekil 5.3.Yıllık periyot için GYYSA yöntemi MYH1 modeli, eğitim:%70, 1 gizli katman:4 nöron  ile gerçek değerlerin karşılaştırılması
Şekil 5.11. Ocak ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, 1 gizli katman:14 nöron  ile gerçek değerlerin karşılaştırılması
Şekil 5.13. Ocak ayı  için GYYSA  yöntemi  MAH1 modeli, eğitim:%70, 2 gizli katman:18+18  nöron ile gerçek değerlerin karşılaştırılması
Şekil 5.16. Şubat ayı için GYYSA yöntemi MAH1 modeli, eğitim:%70, gizli katman:2 nöron ağ  mimarisi
+7

Referanslar

Benzer Belgeler

mak Kız” masalı ile Türkmenistan’ın “Yartı Kulak” masalı; La Fontai- ne’nin, Fransa’ya ait “Ağustos Böceği ile Karınca” masalı ile Kerkük Türkmenlerinin

Bilim ve Sanat Merkezleri; okul öncesi eğitim, ilkokul, ortaokul ve lise çağındaki özel yetenekli öğrencilerin (resim, müzik ve genel zihinsel yetenek) örgün

In the present study, effects of genotype, nutrient media, stress and incubation treatments on haploid plant development with anther culture method in some pepper

The charging and discharging of electric vehicles are illustrated in Figure (2b). According to output data, the IPL charging was 42 kW at 12 o'clock, and the power bought from

Çalışmada, işletmelerin ihracat performanslarını etkileyen faktörler arasında kredi derecelendirme kuruluşlarının mikro düzeyde işletmelere, makro düzeyde ise

Dünya nüfusunun hızla artması, tüketim maddelerinin çeĢitliliği ve tüketim alıĢkanlıklarının değiĢmesi ciddi bir atık sorunuyla karĢı karĢıya kalmamıza

Çalışmada, yapay sinir ağının en sık kullanılan modeli olan Çok Katmanlı Algılayıcı (ÇKA), derin öğrenme metodu olarak yeni geliştirilen Uzun Kısa Süreli Bellek

Gruplar arası karşılaştırmada derlenme ünitesinde Grup I’in VAS değerleri, Grup II ve Grup III’den istatistiksel olarak anlamlı derecede düşük bulunmuşken