Affiliation:
1. BATMAN ÜNİVERSİTESİ, TEKNİK BİLİMLER MESLEK YÜKSEKOKULU
2. AKSARAY ÜNİVERSİTESİ, AKSARAY TEKNİK BİLİMLER MESLEK YÜKSEKOKULU
Abstract
Sanayileşmenin hızla artması enerji ihtiyacını günümüzde artmıştır. Bununla birlikte ortaya çıkan bu enerji ihtiyacını karşılayabilmek için ön görülebilecek enerji tahminlerini yapabilmek için optimizasyon ve makine öğrenme algoritmaları ön plana çıkmıştır. Parçacık sürü optimizasyonu (PSO), Lineer Regresyon (LR) ve Gauss Süreç Regresyonu (GSR) bu algoritmalar içerisinde yer almaktadır. Bu çalışmada PSO, LR ve GSR algoritmaları kullanılarak Türkiye’nin 2020-2040 yılları arasındaki enerji talep tahmini yapılmıştır. Bu tahmin işlemlerinin yapılabilmesi için 1980-2019 yılları arasında geçmiş nüfus, ihracat, ithalat, gayri safi yurtiçi hâsıla (GSYH) giriş verileri olarak kullanılırken enerji tüketimi çıkış verisi olarak kullanılmıştır. PSO, LR ve GSR yöntemlerinin performans sonuçlarını değerlendirebilmek için regresyon kare (R2) değeri, kök ortalama kare hatası (RMSE), ortalama kare hatası (MSE) ve ortalama mutlak hata (MAE) hata metrikleri kullanıldı. R2, RMSE, MSE ve MAE değerleri göz önünde bulundurulduğunda bütün yöntemlerin başarılı sonuçlar verdiği gözlemlenmiştir.
Publisher
Bandirma Onyedi Eylul University
Subject
General Medicine,General Chemistry
Reference32 articles.
1. M.E. Gunay “Forecasting annual gross electricity demand by artificial neural networks using predicted values of socio-economic indicators and climatic conditions: Case of Turkey”, Energy Policy, vol. 90, no.1, pp. 92–101, 2016.
2. M. Saglam, C. Spataru and O.A. Karaman “Electricity Demand Forecasting with Use of Artificial Intelligence: The Case of Gokceada Island”, Energies, vol.15 no.16, pp. 1-22, 2022.
3. A. Zeng, H. Ho and Y. Yu “Prediction of building electricity usage using Gaussian Process Regression”, Journal of Building Engineering, vol.28, no.1, pp.1-8, 2019.
4. D. Sen, K.M. Tunç and M.E. Günay “Forecasting electricity consumption of OECD countries: A global machine learning modeling approach”, Util. Policy, vol. 70, no. 1, pp. 1-15, 2021.
5. H. Zhai, and C. Jinxing “Combining PSO-SVR and Random Forest Based Feature Selection for Day-ahead Peak Load Forecasting”, Engineering Letters vol. 30, no. 1, pp. 1-7, 2022.