Forecasting methods for demand management
dc.contributor.advisor | Dingeç, Kemal Dinçer | |
dc.contributor.author | Alshahwani, Ibrahim A. A. | |
dc.date.accessioned | 2021-05-06T12:25:51Z | |
dc.date.available | 2021-05-06T12:25:51Z | |
dc.date.submitted | 2019 | |
dc.date.issued | 2020-02-21 | |
dc.identifier.uri | https://acikbilim.yok.gov.tr/handle/20.500.12812/588506 | |
dc.description.abstract | Büyüme ve gelişmedeki artışla birlikte enerji sektörü dünyadaki en önemli sektörlerden biri haline geldi, bu nedenle çoğu ülke enerji sektörünü iyileştirmek ve başarılı bir gelecek politikası oluşturmak için yarışa girdi. Bu çalışma, karar vermede yardımcı olmak için istatistiksel teknikleri (Holt-Winters ve Box-Jenkins) kullanarak Türkiye'deki elektrik talebini tahmin etmek için modeller oluşturmayı amaçlamaktadır. İstatistiksel modellere uyması için iki zaman serisini (yıllık ve mevsimlik zaman serileri) kullanıyorum. Bu modellerin çoğu yüksek doğruluk oranına sahiptir, ancak yıllık zaman serilerini tahmin etmek için en iyi model, Ortalama Mutlak Yüzde Hata (MAPE) 'nin% 2.518 olduğu ve mevsimsel zaman serilerini tahmin etmek için en iyi model olan SARIMA (2) olan ARIMA (0,2,1)' dır. 1,2) X (1,1,1) MAPE% 2.131 idi. Bu modellerden elde edilen nihai sonuçlar, Aralık 2021'de talebin mevsimsel zaman serileri için 28307 (GW / s) ve 2027'deki talebin 398313 (GW / s) olduğu yerlerde elektrik talebinde bir artış olduğunu göstermektedir. Bu nedenle, talebi karşılamak için elektrik üretimi önümüzdeki dönemde artırılmalıdır. | |
dc.description.abstract | With the increase in the growth and development the energy sector become one of the most important sectors in the world therefore, most countries entered into a race to improve their energy sector and draw up a successful future policy. This study aims to create models for forecasting electricity demand in Turkey by using statistical techniques (Holt-Winters and Box-Jenkins) to assist in decision making. I use the two-time series (annual and seasonal time series) to fit statistical models. Most of these models have high accuracy but the best model for forecasting annual time series is the ARIMA (0,2,1) where Mean Absolute Percentage Error (MAPE) was 2.518% and the best model for forecasting seasonal time series is SARIMA (2,1,2)X(1,1,1) where MAPE was 2.131%. The final results from these models show an increase in electricity demand in future where in Dec-2021 the demand becomes 28307 (GW/h) for seasonal time series and the demand in 2027 becomes 398313 (GW/h). The production of electricity, therefore, must be increased in the next period to satisfy demand. | en_US |
dc.language | English | |
dc.language.iso | en | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.rights | Attribution 4.0 United States | tr_TR |
dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | |
dc.subject | Endüstri ve Endüstri Mühendisliği | tr_TR |
dc.subject | Industrial and Industrial Engineering | en_US |
dc.title | Forecasting methods for demand management | |
dc.type | masterThesis | |
dc.date.updated | 2020-02-21 | |
dc.contributor.department | Endüstri Mühendisliği Ana Bilim Dalı | |
dc.identifier.yokid | 10247960 | |
dc.publisher.institute | Fen Bilimleri Enstitüsü | |
dc.publisher.university | ALTINBAŞ ÜNİVERSİTESİ | |
dc.identifier.thesisid | 611160 | |
dc.description.pages | 70 | |
dc.publisher.discipline | Diğer |