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

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.