Büyük ölçekli bir ahşap levha üretim tesisinde enerji talep tahminlemesi

Abstract

Ağaç ve orman ürünleri ülke ticaret hacminde %3'lük bir pay alan ve büyümeye devam eden bir sektördür. Sektörde faaliyet gösteren orman endüstri işletmelerinin en önemli girdi kalemi olarak odun, tutkal ve elektrik enerjisi maliyeti gösterilebilir. Bu maliyet kalemlerinden birinde yaşanan probleme çözüm üretilmesi sektörün küresel pazarlarda rekabet avantajı elde etmesini sağlayacaktır.Bu tez çalışmasında büyük ölçekli ahşap levha üretim tesisinin bir sonraki ay için elektrik enerjisi tüketiminin tahmin edilmesinde yaşanan probleme çözüm üretilmeye çalışılmıştır. Elektrik tüketiminin tahmin edilmesinde başarılı tahmin sonuçları üreten yapay sinir ağları (YSA) farklı veri dağılımına ve nöron sayısına sahip yedi modelle eğitim ve test işlemine tabi tutulmuştur. Test işleminde en küçük hata değeri olan %2,48 ortalama mutlak yüzde hata (OMYH) değerini veren %85 eğitim- %15'i test veri dağılımına sahip on iki gizli nöronlu model olmuştur. 2018 yılı elektrik tüketimini tahminleme de YSA'nın test edilmesinde kullanılan verilerin de dahil edildiği çoklu doğrusal regresyon modeli kurulmuştur. YSA ilk beş ayda %2,67 OMYH değeri ile tahminleme yaparken çoklu regresyon %7,05 OMYH değeri ile tahminlemiştir. 2018 yılında olağan dışı durumların yaşanmasına rağmen YSA bir yıllık ortalama %13,2 OMYH değeri ile tahminleme yapmıştır. Lewis (1997)'e göre OMYH değeri %20'nin altında olanlar iyi tahmin modelleridir. Bu tanıma göre model iyi tahmin grubu içerisinde yer almaktadır. Çalışma YSA'nın işletmelerde elektrik tüketiminin tahminlenmesinde başarılı sonuçlar üretebileceğini göstermektedir.

Wood and forest products are a sector that has a %3 share in the country's trade volüme and continues to grow. The most important input items of forest industry enterprises operating in the sector can be listed as the cost of wood, glue and electricenergy. Producing a solition to the problem experienced in one of the secost items will enable the sector to gain a competitive advantage in global markets.In this thesis, it is tried to produce a solution to the problem in the estimation of electrical energy consumption of the great scale chip board production facility for the next month. For the prediction of electricity energy consumption artifical neural network (ANNs), which produce successful estimation results with nonlinear model, were subjected to training and testing with seven models with different data distribution and number of neurons.The lowest error value in the test process, which is 2.48% mean absolute percent error (MAPE) value, 85% training-15% of the test data distribution has been twelve hidden neurons model.A multiple linear regression model was established including the data used to test ANN for estimating electricity consumption in 2018. The ANN estimated the MAPE value of 2.67% in the first five months, while the multiple regression estimated the MAPE value of 7.05%. Inspite of the extraordinary circumstances in 2018, ANN made an estimate of 13.2% MAPE for one year. According to Lewis, those with MAPE values below 20% are good estimation models. With reference to this definition, the model is included in the good estimation group. The study shows that ANN can also produce successful results in estimating electricity consumption in enterprises.