Araştırma Makalesi
BibTex RIS Kaynak Göster

LONG-TERM ENERGY CONSUMPTION FORECAST OF TURKEY WITH SWARM INTELLIGENCE-BASED ALGORITHMS

Yıl 2023, , 424 - 441, 03.06.2023
https://doi.org/10.17780/ksujes.1200583

Öz

Energy is one of the most important tools of civilization countries. Growing population, level of prosperity and developing technology all over the world are among the factors that seriously increase energy consumption. Realization of energy production and consumption within framework of sustainable development has been one of the most important goals of our time. It is very important to make predict how much energy will be needed in Turkey coming years because of the energy used is exhaustible, these sources are foreign-dependent and due to environmental conditions. For obtain such an important prediction in study, swarm intelligence-based meta-heuristic algorithms Whale Optimization Algorithm (WOA) and Artificial Bee Colony Algorithm (ABC) was preferred. Data of variables are gross domestic product (GDP), population, import and export, between 1990-2009 were used for education and data between 2009-2019 were used for test. According to results of best model obtained, it was tried to determine amount of energy that Turkey may need by 2040 in four possible scenarios. According to the results, it can be observed that ABC model was given as better results from the WOA model by R^2 values as 86% meanwhile MAPE (Mean Absolute Percentage Error) values as 8,74% for the test data.

Kaynakça

  • Akay, B. (2009). Nümerik optimizasyon problemlerinde yapay arı kolonisi algoritmasının performans analizi. Doktora Tezi. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Ana Bilim Dalı, Kayseri 325s.
  • Azadeh, A., Ghaderi, S.F., Tarverdian, S., Saberi, M. (2007). Integration of artificial neural networks and genetic algorithm to predict electrical energy consumption. Applied Mathematics and Computation, 186 (2) ,1731–1741. https://doi.org/10.1016/j.amc.2006.08.093
  • Barth, F. G. (1982). Insects and Flowers: The biology of a partnership. Princeton, N.J.: Princeton University Press. Bayramoğlu, T., Pabucçu, H., Boz, F. (2017). Türkiye için anfis modeli ile birincil enerji talep tahmini. Ege Akademik Bakış, 17 (3), 431-446. https://doi.org/10.21121/eab.2017328408
  • Behrang, M.A., Assareh, E., Assari, M.R., Ghanbarzadeh, A. (2010). Application of PSO (particle swarm optimization) and GA (genetic algorithm) techniques on demand estimation of oil in Iran. Energy, 35(12), 5223-5229. https://doi.org/10.1016/j.energy.2010.07.043
  • Binici, M. (2019). Matematiksel modelleme kullanılarak Türkiye’nin enerji tüketim tahmini. Yüksek Lisans Tezi. Sivas Cumhuriyet Üniversitesi Fen Bilimleri Üniversitesi Makine Mühendisliği Ana Bilim Dalı, Sivas 59s.
  • Doğan, C. (2019). Balina optimizasyon algoritması ve gri kurt optimizasyonu algoritmaları kullanılarak yeni hibrit optimizasyon algoritmalarının geliştirilmesi. Yüksek Lisans Tezi. Erciyes Üniversitesi Fen Bilimleri Üniversitesi Bilgisayar Mühendisliği Ana Bilim Dalı, Kayseri 69s.
  • Durğun, S. (2018). Türkiye’nin enerji talebinin yapay zekâ teknikleriyle uzun dönem tahmini. Yüksek Lisans Tezi. Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü Enerji Sistemleri Mühendisliği Ana Bilim Dalı, Konya 62s.
  • Ekinci, F. (2019). YSA ve ANFIS tekniklerine dayalı enerji tüketim tahmin yöntemlerinin karşılaştırılması. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 7(3), 1029 – 1044. https://doi.org/10.29130/dubited.485822
  • Ekonomou, L. (2010). Greek long-term energy consumption prediction using artificial neural networks. Energy, 35(2), 512-517. https://doi.org/10.1016/j.energy.2009.10.018
  • Es, H., Kalender, Y., Hamzaçebi, C. (2014). Yapay sinir ağları ile net enerji talep tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 29(3), 495-504. https://doi.org/10.17341/gummfd.41725
  • Geem, Z.W., & Roper, W.İ. (2009). Energy demand estimation of South Korea using artificial neural network. Energy Policy, 37(10), 4049-4054. https://doi.org/10.1016/j.enpol.2009.04.049
  • Gülay, AN. (2008). Yenilenebilir enerji kaynakları açısından Türkiye’nin geleceği ve Avrupa Birliği ile karşılaştırılması. Yüksek Lisans Tezi. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı, İzmir 353s.
  • Günen, O. (2017). Türkiye’nin enerji kaynakları ve nükleer enerji politikaları: Gazi Üniversitesi öğrencilerinin nükleer enerji algısı. Yüksek Lisans Tezi. Gazi Üniversitesi Sosyal Bilimler Enstitüsü Siyaset Bilimi ve Kamu Yönetimi Ana Bilim Dalı, Ankara 128s.
  • International Energy Agency: IEA. (2020). Data and statistics. https://www.iea.org/data-and-statistics. 8.12.2020.
  • Karaboğa, D. (2005). An idea based on honey bee swarm for numerical optimization. Retrieved from, Technical Report, 2005.
  • Karaboğa, D. (2014). Yapay Zekâ Optimizasyon Algoritmaları. 4. Basım. Nobel Ankara: Akademik Yayıncılık. Karaboğa, D., & Akay, B. (2011). A modified artificial bee colony (ABC) algorithm for constrained optimization problems. Applied Soft Computing, 11(3), 3021-3031. https://doi.org/10.1016/j.asoc.2010.12.001
  • Karaboğa, D., & Baştürk, B. (2007). A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. Journal of Global Optimization, 39(3), 459-471. https://doi.org/10.1007/s10898-007-9149-x
  • Kıran, M. S., Özceylan, E., Gündüz, M., Paksoy, T. (2012). Swarm intelligence approaches to estimate electricity energy demand in Turkey. Knowledge-Based Systems, 36, 93-103. https://doi.org/10.1016/j.knosys.2012.06.009
  • Koç, İ., Nureddin, R., Kahramanlı, H. (2018). Türkiye’de enerji talebini tahmin etmek için doğrusal form kullanarak GSA ve IWO tekniklerinin uygulanması. Selçuk Üniversitesi Mühendislik Bilim ve Teknoloji Dergisi, 6(4), 529-543. https://doi.org/10.15317/Scitech.2018.150
  • Mirjalili, S., & Lewis, A. (2016). The whale optimization algorithm. Advances in Engineering Software, 95, 51-67. https://doi.org/10.1016/j.advengsoft.2016.01.008
  • Özdemir, R. (2012). Yapay arı kolonisi algoritması için yeni seçme ve arama mekanizmalarının geliştirilmesi. Yüksek lisans Tezi. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Ana Bilim Dalı, Kayseri 69s.
  • Rodríguez, D.M., Colmenar, J.M., Hidalgo, J.I., Micó V, Salcedo-Sanz. S. (2019). Particle swarm grammatical evolution for energy demand estimation. Energy Science & Engineering, 8(4), 1068-1079. https://doi.org/10.1002/ese3.568
  • Tanyıldızı, E., & Cigal, T. (2017). Kaotik haritalı balina optimizasyon algoritmaları. Fırat Üniversitesi Mühendislik Bilim Dergisi, 29(1), 307-317, 2017. https://doi.org/10.35234/fumbd.314671
  • Toksarı, M. D. (2007). Ant colony optimization approach to estimate energy demand of Turkey. Energy Policy, 35(8), 3984-3990. https://doi.org/10.1016/j.enpol.2007.01.028
  • Toksarı, M. D. (2009). Estimating the net electricity energy generation and demand using the ant colony optimization approach: case of Turkey. Energy Policy, 37(3), 1181-1187. https://doi.org/10.1016/j.enpol.2008.11.017
  • Uğurlu, Ö. (2006). Türkiye’de çevresel güvenlik bağlamında sürdürülebilir enerji politikaları. Doktora Tezi. Ankara Üniversitesi Sosyal Bilimler Enstitüsü Sosyal Çevre Bilimleri Anabilim Dalı, Ankara, 385s.
  • Uzlu, E. (2019). Türkiye için gri kurt optimizasyon algoritması ile yapay sinir ağlarını kullanarak enerji tüketiminin tahmini. Gazi Üniversitesi Fen Bilimleri Dergisi, 7(2), 245-262. https://doi.org/10.29109/gujsc.519553
  • Uzlu, E. (2019). Türkiye için gri kurt optimizasyon algoritması ile yapay sinir ağlarını kullanarak enerji tüketiminin tahmini. Gazi Üniversitesi Fen Bilimleri Dergisi, 7(2), 245-262. https://doi.org/10.29109/gujsc.519553
  • Ünler, A. (2008). Improvement of energy demand forecasts using swarm intelligence: The case of Turkey with projections to 2025. Energy Policy, 36(6), 1937-1944. https://doi.org/10.1016/j.enpol.2008.02.018
  • Yakut, E., Elmas, B., Yavuz, S. (2014). Yapay sinir ağları ve destek vektör makineleri yöntemleriyle borsa endeksi tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi, 19(1),139-157.
  • Yiğitbaşı, ED. (2014). Yapay arı kolonisi optimizasyonu ile kenar bulma. Yüksek Lisans Tezi. Selçuk Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Ana Bilim Dalı, Konya 96s.
  • Yu, S., Wei, Y., Wang, K. (2012). PSO-GA optimal model to estimate primary energy demand of China. Energy Policy, 42, 329-340. https://doi.org/10.1016/j.enpol.2011.11.090

SÜRÜ ZEKÂSI TABANLI ALGORİTMALAR İLE TÜRKİYE’NİN UZUN VADELİ ENERJİ TÜKETİM TAHMİNİ

Yıl 2023, , 424 - 441, 03.06.2023
https://doi.org/10.17780/ksujes.1200583

Öz

Enerji, ülkelerin en önemli uygarlık araçlarından biridir. Dünya genelinde artan nüfus, refah seviyesi ve gelişen teknoloji enerji tüketimini ciddi manada arttıran faktörlerdendir. Sürdürülebilir kalkınma çerçevesinde enerji üretiminin ve tüketiminin gerçekleştirilmesi günümüzün hiç şüphesiz en önemli hedeflerinden birisidir. Tercih edilen enerji türünün tükenebilir enerji kaynağı olması, bu enerji kaynaklarında dışa bağımlı olması ve çevresel durumlardan dolayı Türkiye’de gelecek yıllarda ne kadarlık enerjiye ihtiyaç duyulabileceğinin tahmin edilebilmesi büyük önem taşımaktadır. Bu önemli öngörüyü elde edebilmek için çalışmada, sürü zekâsı tabanlı meta-sezgisel algoritmalardan Balina Optimizasyon Algoritması (BOA) ve Yapay Arı Kolonisi Algoritması (YAK) tercih edilmiştir. Enerji tüketimini en çok etkileyen nüfus, gayri safi yurtiçi hâsıla (GSYH), ithalat ve ihracat gibi bağımsız değişkenlerin 1990-2009 yılları arasındaki veriler eğitim, 2009-2019 yılları arasındaki veriler ise test için kullanılmıştır. Elde edilen en iyi model sonuçlarına göre ise muhtemel dört senaryoda 2040 yılına kadar Türkiye’nin ihtiyaç duyabileceği enerji miktarı belirlenmeye çalışılmıştır. Bu hesaplamalara göre YAK modelinin test verileri için %86 R^2ve %8,74 MAPE (Ortalama Mutlak Yüzdesel Hata) değerleri ile BOA modeline göre daha iyi sonuç verdiği gözlenmiştir.

Kaynakça

  • Akay, B. (2009). Nümerik optimizasyon problemlerinde yapay arı kolonisi algoritmasının performans analizi. Doktora Tezi. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Ana Bilim Dalı, Kayseri 325s.
  • Azadeh, A., Ghaderi, S.F., Tarverdian, S., Saberi, M. (2007). Integration of artificial neural networks and genetic algorithm to predict electrical energy consumption. Applied Mathematics and Computation, 186 (2) ,1731–1741. https://doi.org/10.1016/j.amc.2006.08.093
  • Barth, F. G. (1982). Insects and Flowers: The biology of a partnership. Princeton, N.J.: Princeton University Press. Bayramoğlu, T., Pabucçu, H., Boz, F. (2017). Türkiye için anfis modeli ile birincil enerji talep tahmini. Ege Akademik Bakış, 17 (3), 431-446. https://doi.org/10.21121/eab.2017328408
  • Behrang, M.A., Assareh, E., Assari, M.R., Ghanbarzadeh, A. (2010). Application of PSO (particle swarm optimization) and GA (genetic algorithm) techniques on demand estimation of oil in Iran. Energy, 35(12), 5223-5229. https://doi.org/10.1016/j.energy.2010.07.043
  • Binici, M. (2019). Matematiksel modelleme kullanılarak Türkiye’nin enerji tüketim tahmini. Yüksek Lisans Tezi. Sivas Cumhuriyet Üniversitesi Fen Bilimleri Üniversitesi Makine Mühendisliği Ana Bilim Dalı, Sivas 59s.
  • Doğan, C. (2019). Balina optimizasyon algoritması ve gri kurt optimizasyonu algoritmaları kullanılarak yeni hibrit optimizasyon algoritmalarının geliştirilmesi. Yüksek Lisans Tezi. Erciyes Üniversitesi Fen Bilimleri Üniversitesi Bilgisayar Mühendisliği Ana Bilim Dalı, Kayseri 69s.
  • Durğun, S. (2018). Türkiye’nin enerji talebinin yapay zekâ teknikleriyle uzun dönem tahmini. Yüksek Lisans Tezi. Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü Enerji Sistemleri Mühendisliği Ana Bilim Dalı, Konya 62s.
  • Ekinci, F. (2019). YSA ve ANFIS tekniklerine dayalı enerji tüketim tahmin yöntemlerinin karşılaştırılması. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 7(3), 1029 – 1044. https://doi.org/10.29130/dubited.485822
  • Ekonomou, L. (2010). Greek long-term energy consumption prediction using artificial neural networks. Energy, 35(2), 512-517. https://doi.org/10.1016/j.energy.2009.10.018
  • Es, H., Kalender, Y., Hamzaçebi, C. (2014). Yapay sinir ağları ile net enerji talep tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 29(3), 495-504. https://doi.org/10.17341/gummfd.41725
  • Geem, Z.W., & Roper, W.İ. (2009). Energy demand estimation of South Korea using artificial neural network. Energy Policy, 37(10), 4049-4054. https://doi.org/10.1016/j.enpol.2009.04.049
  • Gülay, AN. (2008). Yenilenebilir enerji kaynakları açısından Türkiye’nin geleceği ve Avrupa Birliği ile karşılaştırılması. Yüksek Lisans Tezi. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı, İzmir 353s.
  • Günen, O. (2017). Türkiye’nin enerji kaynakları ve nükleer enerji politikaları: Gazi Üniversitesi öğrencilerinin nükleer enerji algısı. Yüksek Lisans Tezi. Gazi Üniversitesi Sosyal Bilimler Enstitüsü Siyaset Bilimi ve Kamu Yönetimi Ana Bilim Dalı, Ankara 128s.
  • International Energy Agency: IEA. (2020). Data and statistics. https://www.iea.org/data-and-statistics. 8.12.2020.
  • Karaboğa, D. (2005). An idea based on honey bee swarm for numerical optimization. Retrieved from, Technical Report, 2005.
  • Karaboğa, D. (2014). Yapay Zekâ Optimizasyon Algoritmaları. 4. Basım. Nobel Ankara: Akademik Yayıncılık. Karaboğa, D., & Akay, B. (2011). A modified artificial bee colony (ABC) algorithm for constrained optimization problems. Applied Soft Computing, 11(3), 3021-3031. https://doi.org/10.1016/j.asoc.2010.12.001
  • Karaboğa, D., & Baştürk, B. (2007). A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. Journal of Global Optimization, 39(3), 459-471. https://doi.org/10.1007/s10898-007-9149-x
  • Kıran, M. S., Özceylan, E., Gündüz, M., Paksoy, T. (2012). Swarm intelligence approaches to estimate electricity energy demand in Turkey. Knowledge-Based Systems, 36, 93-103. https://doi.org/10.1016/j.knosys.2012.06.009
  • Koç, İ., Nureddin, R., Kahramanlı, H. (2018). Türkiye’de enerji talebini tahmin etmek için doğrusal form kullanarak GSA ve IWO tekniklerinin uygulanması. Selçuk Üniversitesi Mühendislik Bilim ve Teknoloji Dergisi, 6(4), 529-543. https://doi.org/10.15317/Scitech.2018.150
  • Mirjalili, S., & Lewis, A. (2016). The whale optimization algorithm. Advances in Engineering Software, 95, 51-67. https://doi.org/10.1016/j.advengsoft.2016.01.008
  • Özdemir, R. (2012). Yapay arı kolonisi algoritması için yeni seçme ve arama mekanizmalarının geliştirilmesi. Yüksek lisans Tezi. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Ana Bilim Dalı, Kayseri 69s.
  • Rodríguez, D.M., Colmenar, J.M., Hidalgo, J.I., Micó V, Salcedo-Sanz. S. (2019). Particle swarm grammatical evolution for energy demand estimation. Energy Science & Engineering, 8(4), 1068-1079. https://doi.org/10.1002/ese3.568
  • Tanyıldızı, E., & Cigal, T. (2017). Kaotik haritalı balina optimizasyon algoritmaları. Fırat Üniversitesi Mühendislik Bilim Dergisi, 29(1), 307-317, 2017. https://doi.org/10.35234/fumbd.314671
  • Toksarı, M. D. (2007). Ant colony optimization approach to estimate energy demand of Turkey. Energy Policy, 35(8), 3984-3990. https://doi.org/10.1016/j.enpol.2007.01.028
  • Toksarı, M. D. (2009). Estimating the net electricity energy generation and demand using the ant colony optimization approach: case of Turkey. Energy Policy, 37(3), 1181-1187. https://doi.org/10.1016/j.enpol.2008.11.017
  • Uğurlu, Ö. (2006). Türkiye’de çevresel güvenlik bağlamında sürdürülebilir enerji politikaları. Doktora Tezi. Ankara Üniversitesi Sosyal Bilimler Enstitüsü Sosyal Çevre Bilimleri Anabilim Dalı, Ankara, 385s.
  • Uzlu, E. (2019). Türkiye için gri kurt optimizasyon algoritması ile yapay sinir ağlarını kullanarak enerji tüketiminin tahmini. Gazi Üniversitesi Fen Bilimleri Dergisi, 7(2), 245-262. https://doi.org/10.29109/gujsc.519553
  • Uzlu, E. (2019). Türkiye için gri kurt optimizasyon algoritması ile yapay sinir ağlarını kullanarak enerji tüketiminin tahmini. Gazi Üniversitesi Fen Bilimleri Dergisi, 7(2), 245-262. https://doi.org/10.29109/gujsc.519553
  • Ünler, A. (2008). Improvement of energy demand forecasts using swarm intelligence: The case of Turkey with projections to 2025. Energy Policy, 36(6), 1937-1944. https://doi.org/10.1016/j.enpol.2008.02.018
  • Yakut, E., Elmas, B., Yavuz, S. (2014). Yapay sinir ağları ve destek vektör makineleri yöntemleriyle borsa endeksi tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi, 19(1),139-157.
  • Yiğitbaşı, ED. (2014). Yapay arı kolonisi optimizasyonu ile kenar bulma. Yüksek Lisans Tezi. Selçuk Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Ana Bilim Dalı, Konya 96s.
  • Yu, S., Wei, Y., Wang, K. (2012). PSO-GA optimal model to estimate primary energy demand of China. Energy Policy, 42, 329-340. https://doi.org/10.1016/j.enpol.2011.11.090
Toplam 32 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Bilgisayar Yazılımı
Bölüm Bilgisayar Mühendisliği
Yazarlar

Merve Babaoğlu 0000-0003-3030-8690

Bülent Haznedar 0000-0003-0692-9921

Yayımlanma Tarihi 3 Haziran 2023
Gönderilme Tarihi 7 Kasım 2022
Yayımlandığı Sayı Yıl 2023

Kaynak Göster

APA Babaoğlu, M., & Haznedar, B. (2023). SÜRÜ ZEKÂSI TABANLI ALGORİTMALAR İLE TÜRKİYE’NİN UZUN VADELİ ENERJİ TÜKETİM TAHMİNİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 26(2), 424-441. https://doi.org/10.17780/ksujes.1200583