dc.contributor.advisor | Bircan, Hüdaverdi | |
dc.contributor.author | Yüzük, Feyyaz | |
dc.date.accessioned | 2020-02-27T09:13:13Z | |
dc.date.available | 2020-02-27T09:13:13Z | |
dc.date.issued | 2019 | tr |
dc.date.submitted | 2019-08-29 | |
dc.identifier.other | xvi, 119 | |
dc.identifier.uri | https://hdl.handle.net/20.500.12418/12317 | |
dc.description.abstract | Enerji, bir ülkenin ekonomik büyümesinin en önemli unsurlarındandır.
Üretimi artan bir ülkenin enerji talebi de artacaktır. Bu kapsamda enerji
kaynaklarının yönetimi ve yeni yatırımların doğru bir şekilde yapılması için en
önemli husus gelecekteki elektrik tüketiminin tahminidir. Doğru tahmin modelleri
ülkelerin elektrik üretimini, yatırım ve alt yapı kararlarını içeren önemli kararların
alınmasına yardımcı olacaktır.
Elektrik enerjisi kullanımı ve dağıtımı en kolay olan enerji kaynaklarından
biri olmakla beraber ne yazık ki depolanamayan bir enerji kaynağıdır. Bu sebeple
elektrik enerjisi arz, talep seviyesine dikkat edilerek, gelecekte ne kadar elektrik
enerjisi kullanılacağının tahminlenmesi çok önemlidir.
Bu çalışmanın amacı, Türkiye'nin 2010-2017 yılları arasında aylık olarak
gerçekleşen elektrik enerjisi verileri kullanılarak Çoklu Regresyon Analizi ve Yapay
Sinir ağları modelleri ile elektrik enerjisi tüketimi tahmin modeli oluşturmaktır.
Oluşturulan model sonuçları 2018 yılı gerçekleşen elektrik enerjisi tüketimleri ile
karşılaştırılmıştır.
Çalışmada üretim kaynak tiplerine göre Elektrik üretim değerleri (Doğal Gaz,
Barajlı, Linyit Kömür, Akarsu, İthal Kömür, Rüzgar, Fuel Oil, Jeotermal, Asfaltit
Kömür, Taş Kömür, Biyokütle, Uluslararası Ticaret, Diğer ) nüfus, sıcaklık, çalışılan
ve tatil gün sayıları bağımsız değişken olarak kullanılmış bağımlı değişken olarak ise
elektrik tüketimi alınmıştır. Tüm değişkenler kullanılarak oluşturulan modelin Çoklu
Regresyon Analizi faraziyeleri kontrol edilmiş, faraziyelere uygun olmayan
değişkenler modelden çıkarılmış yeni modeller elde edilmiştir. Modeller içinde en
uygun modelin 13 bağımsız değişkenli Model1 (HKO=257.541 ve Düzeltilmiş R2
=0.96 ) olmasına rağmen, bu model kararsızlık bölgesine düşmüştür.
Tüm değişkenlerin kullanıldığı yapay sinir ağı modelinin en uygun sonucun
verdiği tespit edilmiştir. Kurulan bu yapay sinir ağı modelinin kolerasyon katsayısı
0,9988 ve Hata Kareler Ortalaması ise 15.465 olarak elde edilmiştir. Farklı
değişkenler kullanılarak oluşturulan diğer modeller de de Yapay sinir Ağı Modelleri
ile yapılan tahminlerin gerçekleşmelere daha uygun olduğu gözlemlenmiştir. Bunun
xiv
temel nedeninin Yapay Sinir Ağlarının Çoklu Regresyon Analizinde olduğu gibi bir
takım faraziyelere bağlı kalmadan farklı birçok denemeden sonra en optimal sonucu
verebilmesi olduğu düşünülmektedir. | tr |
dc.description.abstract | Energy is one of the most important elements of a country's economic
growth. Energy demand of a country with increasing production will also increase. In
this context, the most important aspect for the management of energy resources and
for the realization of new investments is the prediction of future electricity
consumption. Powerful and correct forecasting models will help to make important
decisions that include countries' electricity generation, investment and infrastructure
decisions.
Although electrical energy is one of the easiest energy sources to use and
distribute, it is unfortunately not an backed-up energy source. For this reason, it is
very important to estimate how much electricity will be used in the future by paying
attention to the level of electricity supply and demand.
The aim of this study, to get Turkey's electric predictions with Multiple
Regression Analysis and Neural networks using electricity data held on a monthly
basis between the years 2010-2017. The model results are also compared with the
2018 electricity consumption.
In the study it was taken electricity consumption as dependent variable and
electricity generation values (Natural Gas, Dams, Lingite Coal, Stream, İmported
Coal, Wind, Fuel Oil, Geothermal, Asphaltite Coal, Stone Coal, Biomass,
İnternational Trade, Other), Population, temperature, number of worked and holiday
days were used as independent variables. Applying Multiple Regression Analysis,
assumptions of the model which were formed by using all variables were checked
and the variables which were not suitable for the assumptions were removed from the
model and new models were obtained. Although the most appropriate model among
the models was Model.1 with 13 independent variables (RMSE = 257.541 and
Adjusted R2 = 0.96), this model fell into the zone of inconclusive.
The best result among the different models created in this study was obtained
with artificial neural network model using all variables. The correlation coefficient of
this artificial neural network model was 0.9988 and the mean error squares was
15.465. Other models created by using different variables have also been found to be
xvi
more suitable for predictions made by Artificial Neural Network Models. The main
reason for this is thought that Artificial Neural Networks can give the most optimal
results after many different trials without being bound to a number of assumptions as
in the Multiple Regression Analysis. | tr |
dc.language.iso | tur | tr |
dc.publisher | Sivas Cumhuriyet Üniversitesi-Sosyal Bilimler Enstitüsü | tr |
dc.rights | info:eu-repo/semantics/openAccess | tr |
dc.subject | Yapay Sinir Ağları | tr |
dc.subject | Çoklu Regresyon Analizi | tr |
dc.subject | Elektrik | tr |
dc.subject | Enerji | tr |
dc.title | Çoklu Regresyon Analizi Ve Yapay Sinir Ağları İle Türkiye Enerji Talep Tahmini | tr |
dc.type | masterThesis | tr |
dc.contributor.department | Sosyal Bilimler Enstitüsü | tr |
dc.relation.publicationcategory | Tez | tr |