İstatistik ve yapay zeka teknikleri ile enerji tüketiminin tahmini : Sakarya doğal gaz tüketiminin uygulaması

Abstract

Ülke yönetimleri, enerji talep tahminlerini güvenilir, doğru ve düşük hata ile yaparak ekonomik ve sosyal kayıpları azaltmak için çalışmaktadırlar. Bu tez çalışması kapsamında, enerji sektöründeki önemli alt sektörlerden biri olan doğal gaz üzerine yıl öncesi aylık talep tahmini ve gün öncesi talep tahmini, farklı yöntemler kullanarak en düşük hata ile gerçekleştirilmeye çalışılmıştır. Önerilen yöntemler, tek değişkenli olup, kendi tüketim verisinden başka hiçbir veriye ihtiyaç duymamaktadır. Tez çalışması kapsamında getirilen yenilik yanlış tahminden kaynaklanan cezaları en aza indirecek model ve yaklaşımın bulunması olup, bunların günlük yaşamda kullanılabileceğini göstermektir. Bu çalışmada doğal gaz talep tahmini için iki farklı durum ele alınmıştır. İlk durumda yıl öncesi aylık talep tahmini yapılırken, ikinci durumda gün öncesi talep tahmini yapılmıştır. Dört yıllık doğal gaz tüketim verisi üzerinden önce yıl öncesi aylık talep tahminleri aylık ve günlük olarak iki farklı veri yoğunluğunda. Zaman serilerinin ayrıştırılması (ZSA), Winters üstel düzleştirme (WÜD) yöntemi, tümleşik kendiyle bağlaşımlı hareketli ortalama (ARIMA), sezonsal ARIMA (SARIMA) yöntemleri kullanılarak gerçekleştirilmiştir. Bu yöntemler ile yapılan tahminler sonucunda, günlük veri ile günlük olarak yılın tahmin edildikten sonra aylık tüketime dönüştürülmesinin aylık veri ile tahmine göre, hata oranında %12,9 MAPE'den %11,9 MAPE'ye düşüş sağladığı ortaya çıkartılmıştır. Günlük talep tahmininde ise iki farklı şekilde gün öncesi tahminler gerçekleştirilmiştir. İlk durumda, bir yılın bir anda tahmini için oluşturulan ZSA, WÜD, ARIMA ve SARIMA modellerin sonuçları %27 MAPE ve 0,8 R2 civarında sonuçlar bulmuştur. İkinci durumda ise kayan pencere tekniği (KPT) kullanılarak WÜD ve yapay sinir ağları (YSA) ile gün öncesi talep tahmini gerçekleştirilmiştir. Burada ilk üç yıllık veri ile her gün için farklı α,β,γ parametreleri bulunarak WÜD ile tahmin yapılırken, YSA' da yine üç yıllık veri kullanılarak geri yayılım (GY) ve yapay arı kolonisi (YAK) algoritmalarının eğitimde kullanılması ile tahminler yapılmıştır. KPT ile WÜD ve YSA-YAK sırasıyla en düşük %15 ve %14,9 MAPE elde ederken, en yüksek 0.94 ve 0.89 R2 değeri elde ederek gün öncesi talep tahminini gerçekleştirmişlerdir. Sonuç olarak, önerilen tahmin modellerinin, literatürde sıklıkla kullanılan doğal gaz tüketim talep tahmini için kabul edilebilir uygun sonuçlar üretebildiği görülmüştür. Önerilen modeller ile geçmiş verisinden başka bağımsız değişken ihtiyacı olmayan tahminlerin gerçek yaşamda da ödenen talep tahmin cezalarını azaltabileceği görülmüştür.

Country governments are working on reducing economic and social losses by making energy demand forecasts with low error rates, reliable and accurate. In this thesis, the year-ahead monthly and the day ahead demand forecasting of natural gas which is one of the major sub-sectors of the energy sector, are completed using different methods to achieve the least errors. Suggested methods are univariate and do not need any data other than the consumption data. The originality of the thesis is that we attempt to detect the best model and approach that reduce penalties caused by inaccurate forecasting, and show that they are applicable in everyday life. In this study, two different cases are considered for natural gas demand forecasting. In the first case, the year ahead monthly whereas in the second case the day ahead demand forecasting is done. Firstly, based on the four-year natural gas consumption data, year ahead monthly demand forecasts are done on monthly and daily data volumes by applying the time series decomposition (TSD), Winters exponential smoothing (WES), autoregressive integrated moving average (ARIMA) and seasonal ARIMA (SARIMA) methods. It is observed that conversion of the daily forecasting into monthy consumptions decreases %12.9 MAPE to %11.9 MAPE in year ahead monthly forecasting by comparing monthly consumption based forecasting. In the daily demand forecasting, two different day ahead forecasts are done. In the first forecasting, TSD, WES, ARIMA and SARIMA model results are found %27 MAPE and 0,8 R2 for forecasting the year in one step. In the second forecasting, WES and artificial neural networks (ANN) are applied with the sliding window technique (SWT) for the day ahead forecasting. Here, the WES method is applied by computing α,β,γ parameters for each day of the first three years data. In the ANN method, backpropagation (BP) and artificial bee colony (ABC) algorithms are used to train the networks by using the same first three years daily data. Best results for SWT used WES and ANN-ABC models in the day ahead consumption forecasts are found %15, %14,9 MAPE and 0,94, 0,89 R2 value, respectively. To conclude, it is shown that the proposed forecasting methods are able to generate acceptable appropriate results on the natural gas consumption demand forecasting used frequently in the literature. With the proposed models, it is shown that forecasts, do not require any variables than historical data, is able to reduce the demand forecasting penalties paid in the real life.