Kayıp doğal gaz tüketiminin makine öğrenmesi ile tespiti: Sakarya örneği = Detection of lost natural gas consumption with machine learning: Sakarya case

Abstract

Enerji, dünya üzerindeki ülkelerin en fazla harcama yaptıkları alanlar arasında bulunmaktadır. Enerjiye ulaşabilmek kadar tedarik edilen veya üretilen enerji kaynaklarının yönetimi ve korunumu da oldukça önem arz etmektedir. Bu tez çalışması kapsamında, dünyadaki en önemli enerji kaynaklarının başında gelen doğal gazın hesapsız bir biçimde tüketimi tespit edilmeye çalışılmıştır. Bu durum, bir dağıtım şebekesinden tüketicilere gönderilen gaz miktarı ile tüketicilerin faturalarına yansıyan tüketim miktarları arasındaki fark olarak tanımlanmaktadır ve hem doğal gaz tedariği sağlayan firmaları hem de ülkeleri ekonomik olarak ciddi zararlara uğratmaktadır. İletim borularındaki sızıntılar, hava sıcaklığının değişimi, aktif olmayan tükeciler, ölçüm hataları ve arızalı olabilecek sayaçlar bu duruma neden olarak gösterilebilmektedir. Bu çalışmada, sayaçlardan kaynaklı olabilecek kayıp doğal gaz tüketimi üzerinde yoğunlaşılmıştır. Bu çalışmada, her bir doğal gaz abonesinin tüketimlerini tahmin eden modeller oluşturulmuştur ve gerçekleştirilen tahminlerden yola çıkarak tüketimlerinde anormallik olan aboneler belirlenmeye çalışılmıştır. Çalışma sahası olarak Sakarya ilinde mevcut olan ve tüketim zamanları 2011-2021 arasında değişkenlik gösteren 307.570 adet abonenin doğal gaz tüketim verileri kullanılmıştır ve aboneler tüketim zamanı büyüklüklerine göre gruplara ayrılmıştır. Doğal gaz tüketiminde önemli ölçüde belirleyici olan meteorolojik durumları belirten veri seti ve ilgili tüketim dönemleri arasındaki hafta sonları, resmî tatil ve bayramların bilgisini içeren takvimsel olaylar veri seti kullanılarak kapsamlı bir veri ambarı oluşturulmuştur. Oluşturulan bu veri ambarı, model eğitimi ve test işlemlerinde kullanılmıştır. Abonelerin tüketimlerini tahmin etmek için çok katmanlı yapay sinir ağı modeli geliştirilmiştir. Her bir abonenin bir yıllık tüketim verileri ile ilgili abonelerin modelleri eğitilmiş ve geri kalan dönemlerin tüketimleri model tarafından tahmin edilmiştir. Çalışmada, her bir doğal gaz abonesi için iki farklı model geliştirilmiştir. Bunlar, doğal gaz tüketim verileri arasında bulunan ve her bir fatura dönemi içerisinde ilgili abonenin sayacının yenilenip yenilenmediği bilgisinin kullanılmasıyla gerçekleştirilmiştir. Bu bilgiden yararlanılarak sayacı yenilenen abonelerin sonraki tüketimlerinin yenilenmiş sayaç ile gerçekleştirildiği bilgisinin ağa verildiği model oluşturulmuştur ve "bağıl model" olarak adlandırılmıştır. Diğer model ise sayaç yenilenme işlemlerinin noktasal olarak belirtildiği, yani sayaç bilgisinin ağa verilmediği modeldir ve "noktasal model" olarak adlandırılmıştır. Her abonenin belirtilen bu iki model ile de eğitim ve test işlemleri gerçekleştirilerek doğal gaz tüketim tahminleri gerçekleştirilmiştir. Yapılan tahminlerin performansları, MAPE (ortalama mutlak yüzdesel hata) yöntemi kullanılarak değerlendirilmiştir. Geliştirilen modeller ile gerçekleştirilen tahminlerde bağıl modelde ortalama MAPE değeri 2,42 olurken noktasal modelde 2,12 olmuştur. İki modelin tahmin performansları değerlendirilerek kullanılan sayaçların doğal gaz tüketimleri üzerine olan etkileri belirlenmiştir. Bu bağlamda tüm abonelerin iki modelden elde edilen MAPE değerlerinin dağılımları istatistiksel yöntemler kullanılarak incelenmiş ve dağılım üzerinde normal tüketim davranışlarına sahip olan abonelerin sınırları belirlenmiştir. Ardından normal sınırlar dışında kalan aboneler iki alt gruba ayrılmıştır. Bunlar ara-geçiş bölgesi ve anormal bölge olarak isimlendirilmiştir. Elde edilen sınır değerleri kullanılarak anormal tüketim davranışlarına sahip olan aboneler belirlenmiştir ve bu bölgede bulunan abonelerin kayıp ve hesaplanamayan tüketime sahip olma riskinin yüksek olduğu belirtilmiştir.

Energy is among the areas where countries around the world spend the most. The management and protection of supplied or produced energy resources is as important as accessing energy. Within the scope of this thesis, is was tried to determine the unaccounted consumption of natural gas, one of the world's most important energy sources. This situation is defined as the difference between the amount of gas sent to consumers from a distribution network and the amount of consumption reflected on the bills of consumers, and it causes serious economic losses to both the companies providing natural gas supply and the countries. Leaks in the transmission pipes, change in air temperature, inactive consumers, measurement errors and possibly defective meters can be shown as the cause of this situation. Intentional physical interventions and aging of the meters over time can be given as causes of gas meter failures. Interventions made by subscribers are mostly examined under "natural gas theft". This study focuses on the loss of natural gas consumption that may be caused by the meters. In this study, models estimating the consumptions of each natural gas subscriber were created and it was tried to determine the subscribers with abnormal consumptions based on the estimates made. As the study area, natural gas consumption data of 307.570 subscribers in the province of Sakarya, whose consumption times vary between 2011 and 2021, were used and the subscribers were divided into groups according to their consumption time sizes. A comprehensive data warehouse has been created by using the data set that indicates the meteorological conditions, which are important determinants in natural gas consumption, and the calendar events dataset that includes the information on weekends, public holidays, and holidays between the relevant consumption periods. This created data warehouse was used in model training and testing processes. A multi-layer artificial neural network model has been developed to predict the consumption of subscribers. The models of the subscribers were trained on the consumption data of each subscriber for one year, and the consumption of the remaining periods was estimated by the model. In the study, two different models were developed for each natural gas subscriber. These were realized by using the information, which is among the natural gas consumption data, whether the relevant subscriber's meter is renewed or not within each billing period. Using this information, the model in which the network is informed that the next consumption of the subscribers whose meters are renewed is realized with the renewed meter was created and it is called the "relative model". The other model is the one in which the meter renewal processes are specified pointwise, that is, the meter information is not given to the network, and it is called the "point model". Natural gas consumption estimations were made by performing training and testing processes for each subscriber with these two models. The performances of the predictions were evaluated using the MAPE (mean absolute percentile error) method. In the predictions made with the developed models, the mean MAPE value was 2.42 in the relative model and 2.12 in the point model. The estimation performances of the two models were evaluated and the effects of the meters used on natural gas consumption were determined. In this context, the distribution of MAPE values of all subscribers obtained from the two models was examined using statistical methods, and the limits of subscribers with normal consumption behaviors on the distribution were determined. Then, the subscribers outside the normal limits were divided into two subgroups. These are named intermediate-transition zone and abnormal zone. By using the obtained limit values, subscribers with abnormal consumption behaviors were determined and it was stated that the subscribers in this region had a high risk of having lost and unaccounted gas consumption.