Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini

Abstract

Doğalgaz sektöründe yüksek tüketime sahip şirketler (sanayi kuruluşları gibi) ve şehir dağıtım şirketleri yıl öncesinde aylık, yıl içinde de günlük tüketim talep tahminlerini bildirmekle yükümlüdür. Bu çalışma günlük ve aylık temelde orta vadeli doğalgaz talep tahminini tek değişkenli mevsimsellik içeren istatistiki yöntemler (zaman serileri ayrıştırılması, Holt-Winters üstel düzeltme, ARIMA/SARIMA) ile gerçekleştirmiştir. Bu tekniklerin ortak özelliği mevsimsellik içeren zaman serilerinde geçmiş bilgiyi barındıracak biçimde model kurmaları ve bir anda çok sayıda tahmine izin vermelerdir. Yapılan bu çalışmada günlük temelde 365 günlük, aylık temelde de 12 aylık tahmin bir anda gerçekleştirilmiştir. İstatistiksel olarak uygun tüm tahmin modellerinde, günlük temelde yıl öncesi doğalgaz tüketimini, 2014 yılı için en düşük hata, en yüksek uyum %24,6 MAPE ve 0,802 R2 değeri ile ARIMA(1,0,1)1(0,1,1)365 modelinde olmuştur. Bu modelin katsayıları istatistiksel olarak da anlamlı olup, kalıntıları beyaz gürültü olarak bulunmuştur. Aynı model aylık tahminlerde de en düşük hataya (MAPE) ve en yüksek uyuma (R2 ) sahip olduğu görülmüştür. Aylık tahminde, bu modelin MAPE ve R2 değeri sırasıyla %11,32 ve 0,981 olmuştur. Bu sonuçlar mevsimsel ARIMA modellerinin tek değişkenli teknikler arasında en uygun tahmin tekniği olduğunu göstermiştir. Bir anda çok sayıda tahmin yapılabilmesi ve sonuçlarının kabul edilebilir olması, bu tekniklerin yıl öncesinde aylık ve günlük tahminlerde kullanılabilmesine olanak tanımaktadır.

City distribution companies or companies with high consumption are required to report monthly_x000D_ consumption demand forecasts for the year ahead and year based daily consumption demand forecasts in_x000D_ natural gas sector. This paper studies forecasting daily and monthly demand for mid-term natural gas as_x000D_ contract estimations using statistical methods (time series decomposition, Holt-Winters exponential_x000D_ smoothing, ARIMA/SARIMA), include univariate seasonality. In the study, 365-day forecast is performed_x000D_ on a daily basis and 12-month forecast is performed on a monthly basis at once. Among all statistically_x000D_ appropriate forecasting models, ARIMA(1,0,1)1(0,1,1)365 model found daily basis year ahead natural gas_x000D_ consumptions the best with the lowest error, highest compliance with 24.6% MAPE and 0.802 R2_x000D_ , for the_x000D_ year 2014. The coefficients of this model were statistically significant and the residuals were found as white_x000D_ noise. The same model has the lowest error (MAPE - 11.32%) and highest compliance (R2_x000D_ - 0.981) in the_x000D_ monthly estimations as well. The results show that seasonal ARIMA models are the most appropriate_x000D_ estimation technique among the univariate techniques. The fact that many predictions can be made at a time_x000D_ and the results are acceptable allow these techniques to be used in the year ahead monthly and daily_x000D_ forecasting.

City distribution companies or companies with high consumption are required to report monthly consumption demand forecasts for the year ahead and year based daily consumption demand forecasts in natural gas sector. This paper studies forecasting daily and monthly demand for mid-term natural gas as contract estimations using statistical methods (time series decomposition, Holt-Winters exponential smoothing, ARIMA/SARIMA), include univariate seasonality. In the study, 365-day forecast is performed on a daily basis and 12-month forecast is performed on a monthly basis at once. Among all statistically appropriate forecasting models, ARIMA(1,0,1)1(0,1,1)365 model found daily basis year ahead natural gas consumptions the best with the lowest error, highest compliance with 24.6% MAPE and 0.802 R2 , for the year 2014. The coefficients of this model were statistically significant and the residuals were found as white noise. The same model has the lowest error (MAPE - 11.32%) and highest compliance (R2 - 0.981) in the monthly estimations as well. The results show that seasonal ARIMA models are the most appropriate estimation technique among the univariate techniques. The fact that many predictions can be made at a time and the results are acceptable allow these techniques to be used in the year ahead monthly and daily forecasting.