Yapay Sinir Ağlarıyla Konya Bölgesinde Kullanıcı Doğal Gaz Tüketim Öngörüsü

Abstract

Ülkelerin ekonomik ve sosyal gelişiminin en temel gereksinimlerinden biri olan enerji, toplumsal yaşamın sürdürülebilmesi için gerekli olan hemen hemen tüm süreçler için vazgeçilmez bir girdidir. Günümüzde dünyada tüketilen enerji, birçok farklı enerji kaynağından temin edilirken; petrol, doğal gaz ve kömür gibi fosil kaynaklar, bu kaynakların %87'sini oluşturmaktadır. Petrol, dünya birincil enerji tüketiminde en büyük paya sahip olurken, petrolden sonra kömür ve doğal gaz gelmektedir. Türkiye'de ise, birincil enerji tüketiminde doğal gaz birinci sırada yer alırken, doğal gazdan sonra kömür ve petrol gelmektedir. Tüketimini karşılayacak yerel doğal gaz rezervi ve üretimi bulunmayan Türkiye, gelişen ekonomisi ve sanayisi ile dünyanın önemli enerji tüketicileri arasında yer almaktadır. Doğal gazın Türkiye'de kullanımının yaygınlaşması ve ülke enerji talebinin giderek artış göstermesine paralel olarak, doğal gazın kullanım oranı ve kullanım alanları giderek artmış ancak yurt içi rezervler bu talebi karşılamada kısıtlı kalmıştır. Bu durum, Türkiye için doğal gaz ithalatını zorunlu hale getirmiştir. Doğal gaz temini noktasında tamamen dışa bağımlı olduğumuz ve depolama kapasitemizin çok düşük olduğu hususları göz önünde bulundurulduğunda doğal gaz sektörünün daha sağlıklı işleyebilmesi için tüketilen doğal gaz miktarının tahmini son derece önemli bir rol oynamaktadır. Talebin doğru bir şekilde tahmini, sektöre yapılacak yatırımları ve gaz alımı ile ilgili anlaşmaları, dolayısıyla sektörün gelişimini etkileyecek unsurlardan birini oluşturmaktadır. Bu çalışmada, yapay sinir ağları (YSA) kullanılarak Konya bölgesine ait günlük doğal gaz tüketim tahmini yapılmıştır. Yapay sinir ağları, örnekleri kullanarak olayları öğrenebilen ve çevreden gelen olaylara karşı nasıl tepkiler üretebileceğini belirleyebilen bilgisayar programlarıdır. Doğrusal olmayan karmaşık problemleri çözümleyebilme, kendi kendine öğrenebilme, genelleme yapabilme, eğitildikten sonra eksik veriler ile çalışabilme ve yüksek gürültü toleransına sahip olma gibi üstün özellikler, yapay sinir ağlarının geleneksel tahmin yöntemlerine göre tercih edilmesinin nedenlerinden bazılarıdır. YSA'nın öğrenebilmesi için örneklerin belirlenmesi ve bu örneklerin ağa gösterilerek istenen çıktılara göre ağın eğitilmesi gerekmektedir. Örneklerden öğrenmenin temelinde, herhangi bir olay hakkında verilen gerçekleşmiş örneklere bakılarak ilgili olayın girdi ve çıktıları arasındaki ilişkileri öğrenmek ve daha sonra oluşacak yeni örneklerin çıktılarını belirlerken bu ilişkileri kullanmak yatmaktadır. Çalışmada, Konya iline ait doğal gaz tüketimini etkilediği düşünülen 17 ayrı girdi değeri belirlenmiş ve kullanılmıştır. Doğal gaz tüketimine etki eden girdi parametreleri; doğal gaz kullanan abone sayısını temsilen bbs (birim bölme sayısı), meteorolojik parametreler, bu parametrelerden türetilmiş diğer önemli parametreler ve doğal gaz satış fiyatı olarak ele alınmıştır. Çalışmada kullanılan çıkış veri seti ise Enerya Konya Gaz Dağıtım A.Ş.'den temin edilmiş olup, 2005-2015 yılları arasındaki Sm3 cinsinden günlük doğal gaz tüketim miktarlarından oluşmaktadır. Konya iline ait olan 2005-2015 yılları arasındaki 11 senelik giriş-çıkış verisinin 10 senelik kısmı (2005-2014 yılları) ağların eğitilmesi için kullanılırken, 1 senelik veri seti (2015 yılı) test için kullanılmıştır. Test sonuçları R2, rRMS ve rMB olmak üzere üç ayrı performans kriteri ile ölçülerek Konya için en uygun yapay sinir ağ modeli bulunmaya çalışılmıştır. Bu kapsamda, öncelikle doğal gaz tüketimi üzerinde etkisi olan parametreler belirlenmiş ve bu parametreler ile doğal gaz tüketim miktarı arasındaki ilişki açıklanmıştır. Daha sonra, kullanılacak olan yapay sinir ağı mimarisi ve öğrenme algoritması belirlenerek birçok farklı deneme yapılmış ve en doğru sonuçları veren ağın bulunması için çalışılmıştır. Son olarak, yapay sinir ağlarıyla elde edilen ve yüksek başarım veren ağ sonuçları basit ve çoklu doğrusal regresyon model sonuçlarıyla karşılaştırılmıştır.

Economic growth, along with accompanying structural changes, strongly influences world energy consumption. As countries develop and living standards improve, energy demand grows rapidly. The consumption of energy from all sources increases and fossil fuels continue to provide most of the world's energy. While oil remains the world's dominant fuel with the largest share in the global primary energy consumption, it is followed by coal and natural gas. But in Turkey, natural gas comes first in primary energy consumption, followed by coal and oil. With a rapidly growing economy, Turkey has become one of the fastest growing energy markets in the world. In parallel with the widespread use of natural gas in Turkey and the increasing demand for energy, the utilization rate and consumption areas of natural gas have increased steadily, but the domestic reserves have been limited in meeting this demand. This situation has made natural gas imports compulsory for Turkey who has limited natural gas reserves and storage capacity. Turkey imports nearly 99% of the natural gas it consumes. So it is crucial to predict the natural gas consumption for our country who follows a foreign dependent policy to yield natural gas and whose storage capacity is very limitted. True prediction of the natural gas demand becomes one of the most important elements which affects the investments to be made in the sector and agreements on gas purchasing. In this manner, there are many demand forecasting methods which are used for the natural gas consumption. In this study, the daily natural gas consumption of Konya region has been predicted by artificial neural networks (ANN). Artificial neural network is a useful tool which is used to solve complex, especially nonlinear decision problems, optimization, process control, forecast and many others. ANNs are computer programs that can learn how to use events and how they can generate responses to events that surround them. The ability to solve non-linear complex problems, self-learning, generalization, working with missing data after training, and having high noise tolerance are some of the reasons for choosing ANNs compared to traditional estimation methods. An artificial neuron consists of five main components which are the inputs, weights, summation function, activation function and the outputs: The inputs are the information coming from the outside world to the cell, and they do not perform any mathematical operation but transfers the data to a forward step. In this study, 17 inputs which are thought to affect the natural gas consumption of Konya region have been determined and used. Input parameters affecting natural gas consumption; bbs representing the number of natural gas clients, meteorological parameters, other important parameters derived from meteorological parameters, and natural gas sales price. The weights represent the importance of the information its effect on the cell coming from input. The learning process on the networks is achieved by changing the weights. In this study, Levenberg - Marquardt (LM) learning algorithm was chosen for the training of artificial neural networks. The summation function multiplies the input values by their weights and provides the net entry to the network. The net entry comming from the summation function is processed to determine the output to be produced as response for this net input by the activation function. In this study, Logarithmic Sigmoid activation function was used in the hidden layer while Pure-linear activation function was used in the exit layer. Finally, the output value is given as the output of the model which is determine by the activation functions after the learning process ended. The output data set used in the study was obtained from Enerya Konya Gas Distribution Inc. and consists of daily natural gas consumption amounts (mainly used for space heating, water heating and cooking) in Sm3 between 2005 and 2015. The ANN architecture was determined as feed-forward network and several trials were conducted to develop the best network model suitable for this architecture. To train the neural networks, 10-year part of the 11-year input-output data between 2005 and 2015 belonging to Konya province was used while the one-year data set (2015) was used for testing. Test results were measured with three different performance criteria which are R2, rRMS, rMB and the most suitable ANN model for Konya was investigated. After the parameters affecting natural gas consumption were determined, the relationship between these parameters and the daily gas consumption values was explained. Finally, ANN results were compared with the linear regression and multi linear regression model results.