Derin öğrenme ve istatiksel modelleme yöntemleri ile günlük doğalgaz tüketiminin tahmini ve karşılaştırılması

Abstract

Bu çalışmada, Ocak 2014 – Haziran 2018 arası 54 aylık döneme ait Sakarya ilinde gerçekleşen doğalgaz tüketim verileri kullanılarak istatisiksel tahmin yöntemlerinden zaman serisinin dönemsel otoregresif bütünleşik hareketli ortalama modeli ile birer günlük tahmini yapılmış, bu modelin başarımı basit yapay sinir ağları ve derin sinir ağlarının meteorolojik veriler de kullanılarak yapılan birer günlük tahminler ile başarısı karşılaştırılmıştır. Mevsimsel Otoregresif Bütünleşik Hareketli Ortalama modelinin (SARIMA) 365 günlük tahmin başarısı ortalama mutlak hata oranı cinsinden (MAPE) yüzde 10,33 olmuştur. Yapay sinir ağlarının üç farklı parametre seçme metodu ile oluşturulan veri kümeleri kullanılarak eğitilmesi sonucu basit Yapay Sinir Ağı ile 6,68, Derin Yapay Sinir Ağı ile 7,23 MAPE değerine ulaşılmıştır. Söz konusu parametrelerin yer aldığı yedi gün geçmişe kadar veriler kullanılarak Basit Öz Yineleyen Yapay Sinir Ağı (SRNN) ile 7,61, Uzun-Kısa Dönem Hazıfa Öz Yineleyen Sinir Ağları (LSTM) ile 6,45 ve Kapılı Öz Yineleyen Öğe Sinir Ağları (GRU) ile ise 6,38 MAPE oranına ulaşılmıştır. Araştırmada elde edilen bulgulara göre, uzman görüşü ile seçilen özellikler ile eğitilen kapılı öz yineleyen birim sinir ağı ile yapılan tahminlerin diğer yötemlerden daha iyi sonuçlar verdiği görülmüştür.

In this study, forecasts made for the next day's consumption of natural gas by using natural gas consumption data in Sakarya province between January 2014 and June 2018. Forecasts were made by the periodical autoregressive integrated moving average model with using only daily natural gas consumption values. However for the forecasts were made by simple neural networks and deep neural networks, has been used both natural gas consumption values and the meteorological values of Sakarya province. And success rates of those forecasts were compared each other. The 365-day forecast success of the Seasonal Autoregressive Integrated Moving Average model was 10.33 percent in terms of Mean Absolute Error Rate(MAPE) achieved. As a result of training of artificial neural networks by using data sets created with three different parameter selection methods, MAPE values of 6.68 with simple Artificial Neural Network and 7.23 with Deep Artificial Neural Network were reached. Using the data up to seven days in which these parameters are included, 7,61 with the Simple Recurrent Neural Network, 6,45 with the Long-Short-Term Memory Neural Networks and 6,38 with the Gated Recurrent Unit Neural Networks, Mean Absolute Percentage Error (MAPE) ratios has been reached. According to the findings obtained in this research, it was seen that the predictions made with the gated self-repeating unit neural network trained with the characteristics chosen by the expert opinion gave better results than other methods.