Akademik Veri Yönetim Sistemi
Genç Kavas H., Bircan H. (Yürütücü)
Yükseköğretim Kurumları Destekli Proje, 2017 - 2019
Küresel ölçekte enerji kaynağının arz ve talebi ülkeler için güncel bir sorun
teşkil etmektedir. Bu sorunun nedeni gelişmiş ve gelişmekte olan ülkeler için
ekonomik sürdürülebilirliğin enerji arz güvenliği ile paralel bir seyir izlemesindendir.
Enerji telebi ise enerji arz güvenliğinin başlangıcı olarak karşımıza çıkmaktadır. Bu
nedenle enerji tüketiminin tahmini ve dolayısıyla yönetimi mikro ve makro düzeyde
büyük bir öneme sahiptir.
Gelişmişlik seviyesini tamamlamamış bir ülke olan Türkiye’nin geçmiş
verileri de dikkate alındığında enerji tüketimi gittikçe artmaktadır. Fakat enerji
üretiminde kaynaklarının sınırlı olması nedeniyle tükettiğini karşılayamayan ve çok
büyük bir oranda dışa bağımlı olan bir ülkedir. Bu dezavantajının yanı sıra,
Türkiye’nin enerji tedarikçileri ile enerji tüketicileri arasında bulunması ülkeye jeostratejik bir konum kazandırmaktadır. Ayrıca son zamanlarda yapılan çalışmalarla
ortaya çıkan Akdeniz Havzası’nın enerji zenginliği de dikkate alındığında
Türkiye’nin tahmin edilen rezerv miktarı ile enerji problemi çözümlenebilecek ve
Türkiye enerji pazarında söz sahibi olabilecektir.
Bu bağlamda bu tezin amacı, küresel olarak enerji sektörünün seyrini ele
almak, enerji tedarikçileri ile enerji alıcılarının buluştuğu pazarı gözlemleyebilmek,
Türkiye’nin cari açığının en önemli kalemlerinden olan doğalgaz ve elektrik
enerjisinin tüketim talebini tahmin etmek, tahmin değerleri üzerinden Türkiye’nin
enerji görünümünü ele almak ve tahminlemede kullanılan yapay sinir ağları olan feed
forward ve bi-lstm mimarileri ve optimizasyon yöntemlerini karşılaştırarak en doğru
sonuca ulaşmaya çalışmaktır. Ayrıca literatürde sıklıkla kullanılan tek yönlü ileri
beslemeli feed forward mimarisi ile bidirectional-long short term memory (bi-lstm)
mimarisine ait öğrenme algoritmalarının hangisinin en iyi performans göstereceği
belirlenmeye ve veri seti uzunluğunun model tercih etmede etkin olup olmadığı
gözlemlenmeye çalışılmıştır.
Çalışmada karşılaşılan en büyük problem veri toplama sürecinde yaşanmıştır.
Kurumların veri işleme departmanları ile direk iletişime geçilmiş ve eş zamanlı
olarak benzer kurumların yayınladığı raporlardan faydalanılarak veriler elde
edilmeye çalışılmıştır. Bu kurumlara ek olarak TÜİK verileri kontrol edilmiş ve kurumlararası veri uyuşmazlıkları tespit edilmiştir. Bu nedenle doğalgaz kaleminde
veriler, Enerji Piyasası Denetleme Kurumu (EPDK) Doğalgaz departmanından;
elektrik kaleminde ise veriler, Türkiye Elektrik İletim A.Ş’den (TEİAŞ) elde
edilmiştir. Doğalgaz mimarisinde eğitim için kullanılan veri aralığı 2012 Ocak / 2018
Aralık olmak üzere 84 aydır. Elektrik tüketimi verileri ise 2005 Ocak / 2018 Kasım
olmak üzere 167 aydır. Oluşturulan tahmin modelleri ile karşılaştırılmak üzere
mimarilere eklenmeyen gerçek veriler ise doğalgaz da 2019 Ocak/Nisan olmak üzere
4 aylık, elektrikte ise 2018 Aralık- 2019 Ocak/Nisan olmak üzere 5 aylık verilerdir.
Doğalgaz tüketimine ait veriler kurumlardan elde edilmeye çalışırken
geçmiş dönem verilerin tam tutulmadığı saptanmış, 2009’dan itibaren EPDK’nın
verileri toplaması nedeniyle kurumlar arası veri transferinin gerçekleşmediği bilgisi
alınmış ve en çok geri giden veri setinin ithalat verileri olması nedeniyle tüketim
değerleri olarak ithalat değerleri çalışmaya dahil edilmiştir. Özellikle doğalgazda
dışa çok yüksek oranda bağımlı olan Türkiye’nin doğalgaz üretiminin çok düşük
kalmasından ve oranda çok etkili olmamasından dolayı ithalat verileri iç tüketim
verisi olarak ele alınmıştır.
Yapay sinir ağları (YSA) mimarisinde kullanılan birçok algoritma olmasına
rağmen çalışmada ele alınan algoritmalar feed forward için lavenberg-marquardt
(LM), bayesian regularization (BR), scaled conjugate gradient (SCG) ve conjugate
gradient backpropagation with Fletcher-Reeves restarts (CGF) iken LSTM mimarisi
için adaptive momentum estimation (ADAM), root mean square error probability
(RMSprop) ve stochastic gradient descent with momentumdur (SGDM). Mimarileri
elde etmek için MATLAb 2019a programı kullanılmıştır. Aynı zamanda feed
forward ve bi-lstm mimarilerinin birlikte yer aldığı yeni bir kod yazılarak YSA
eğitimleri gerçekleştirilmiştir.
Eğitimlerde en yüksek performansı elde edebilmek amacıyla her bir algoritma
için farklı katman, farklı ünite, farklı nöron sayıları denenmiştir. Ayrıca %75 ve %80
eğitim oran, normalizasyon ve standardizasyon yöntemleri her bir süreç için
kullanılmıştır. Doğalgaz tüketim tahmininde gerçekleştirilen toplam eğitim sayısı
1856, elektrik tüketim tahmininde gerçekleştirilen toplam eğitim sayısı ise 1773’tür.
Gerçekleştirilen bu eğitimler sonucunda; doğalgaz tüketim veri seti uzunluğunun elektrik tüketim veri seti uzunluğunun yarısı kadar olmasına rağmen her iki modelde
de en yüksek performans bi-LSTM mimarisinde RMSProp optimizasyonu ile elde
edilmiştir.
Doğalgaz tüketim tahmininde 84 veri ile oluşturulan mimaride gelecek
dönemler için elde edilen tahminlerde 12-20 ay aralığının daha tutarlı olduğu ve
modelin uzak gelecek için performansının zayıfladığı gözlemlenmiştir. Elektrik
tüketim tahmininde ise 167 veri ile oluşturulan mimaride gelecek dönemler için elde
edilen tahminlerde özellikle 24-30 aylık bir tutarlılık söz konusudur. Veri setinin
artması ise tutarlılık zaman aralığını da artırmaktadır.