Türkiye enerji sektörünün stratejik konumu ve yapay sinir ağı modelleriyle enerji tüketiminin tahmini

Abstract

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 jeo-stratejik 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. Anahtar Kelimeler: Enerji, Yapay Sinir Ağları

Supply and demand of the energy source on a global scale is an issue that is constantly encountered as a current problem. Economic sustainability for developed and developing countries is in parallel with security ofenergy supply. Energy demand is the beginning of security of the energy supply. Therefore, the estimation and the management of energy consumption is of great importance at the micro and macro levels.Turkey is a developing country views, therefore, as it is supported by historical data, the energy consumption is increasing. However, due to being a poor country in energy production, it cannot afford to consume and is highly dependent on the outside. With this disadvantage, being physically located between energy suppliers and energy consumers gives the country a geo-strategic position. In addition, the energy wealth of the Mediterranean Basin has been widely discussed recently and Turkey can resolve the energy problems with reserves estimated amount and will have a say in the energy market.The aim of this thesis globally to trace the path of the energy sector and to observe the market that energy suppliers and energy demandants come together, to estimate the demand of Turkey's natural gas and electricity consumption which is the most important item of the current account deficit, to review predicted values by addressing the energy outlook in Turkey and to compare the feed forward and bidirectional-long short term memory (bi-lstm) architectures and optimization methods which are artificial neural networks used in estimation and try to reach the most accurate results.The biggest problem encountered in the study was the data collection process. I talked with the data processing departments of the institutions and tried to obtain data from the reports issued by the same and similar institutions. In addition to these institutions, TURKSTAT data was checked and inter-institutional data conflicts were observed. Therefore, natural gas data is obtained from Natural Gas department of Energy Market Regulatory Authority (EMRA); The electrical data is obtained from Turkey Electricity Transmission Company (TETC). The data range used for training in natural gas architecture is 84 months, from January 2012 to December 2018 and electricity consumption data is 167 months, from January 2005 to November 2018. The actual data that are not added to the architectures to be compared with the forecast models are 4 months data for natural gas in January/April 2019 and 5 months data for electricity in 2018 December-2019 January / April. While trying to obtain natural gas consumption data from institutions, it was informed that past data were not kept fully, and since 2009, due to EMRA has collected data no inter-institutional data transfer has taken place. So the most backward data set is import data, import values were included as consumption values in the study. Especially as Turkey very highly dependent on foreign gas and natural gas production thought to be effective as the ratio is very low, therefore the import data are handled as domestic consumption. Turkey natural gas is dependent on the outside particularly in a high rate of gas production and is thought to be effective because of the ratio is very low so imports data are addressed as domestic consumption.Although there are many algorithms used in artificial neural network (ANN) architecture, the algorithms discussed in the study are lavenberg-marquardt (LM), bayesian regularization (BR), scaled conjugate gradient (SCG) and conjugate gradient backpropagation with Fletcher-Reeves restarts (CGF) for feed forward. And also discussed adaptive momentum estimation (ADAM), root mean square error probability (RMSprop) and stochastic gradient descent with momentum (SGDM) for bidirectional-long short term memory. MATLAb 2019a program was used to obtain the architectures. At the same time, a new code including feed forward and bi-lstm architectures was written and ANN trainings were conducted.In order to achieve the highest performance in the trainings, different layers, different units and different neuron numbers were tested for each algorithms. Furthermore, 75% and 80% training ratio, normalization and standardization methods were used for each prosess. The total number of trainings in natural gas consumption estimation is 1856 and the total number of trainings in electricity consumption estimation is 1773. As a result of these trainings; though the length of the natural gas consumption data set is half the length of the electricity consumption data set, the highest performance in both models was achieved by RMSProp optimization in the bi-lstm architecture.It was observed that the performance of the model for the distant future is weakened so it was decided that 12-20 months interval was more consistent in the forecasts obtained for the future periods in the architecture, which was formed with 84 data in the natural gas consumption forecast. In the electricity consumption estimation, there is a consistency of 24-30 months especially in the estimations obtained for the future periods in the architecture which is formed with 167 data. So that it also can be said increasing the data set increases the consistency interval.Keywords: Energy, Artificial neural networks