Çoklu Regresyon Analizi Ve Yapay Sinir Ağları İle Türkiye Enerji Talep Tahmini

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.

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.