BibTex RIS Cite

Yapay Sinir Ağları Yöntemiyle Türkiye’nin Enerji Talebi Tahmini: Üç Senaryo Uygulaması

Year 2011, Volume: 11 Özel Sayı, 87 - 94, 01.11.2011

Abstract

Küreselleşen dünyada yüksek ekonomik büyüme, nüfus artışı ve hızlı şehirleşme nedeniyle enerji ülkeler için önemi sürekli artan bir konu haline gelmiştir. Türkiye’nin enerji talebi hızlı bir artış seyri göstermektedir ve gelecekte de bu hızlı artışın devam etmesi beklenmektedir. Bu bağlamda, Türkiyenin gelecek enerji talebini tahmin etmeye çalışan birçok çalışma yapılmıştır. Enerji talep tahminlerini ülkede resmi olarak Enerji ve Tabi Kaynaklar Bakanlığı (ETKB) hazırlamaktadır. Ancak, ETKB’nin yapmış olduğu tahminler gerçekleşen talep değerleri ve diğer akademik çalışmaların bulgularından oldukça yüksek çıkmaktadır. Bu çalışmada, Türkiye’nin enerji talebi yapay zeka uygulamasının bir türü olan yapay sinir ağları tekniği kullanılarak tahmin edilmiştir. Bu amaçla, üç farklı senaryo geliştirilmiştir. Bunlar; ekonomik büyümenin istikrarlı büyüdüğünü varsayan ‘statik senaryo’, enerji yoğunluklarının azaldığını varsayan ‘sürdürülebilir senaryo’ ve son olarak 2030 yılına kadar ekonomik büyümenin her beş yıllık dönemde değiştiğini varsayan ‘dönemsel-değişim senaryo’sudur. Bunun yanında, statik ve sürdürülebilir senaryolar yüksek, orta ve düşük ekonomik büyüme varsayımları altında ayrıca incelenmiştir. Dönemsel-değişim senaryosu enerji yoğunluklarının azaldığı ve sabit kaldığı iki alt-senaryo durumunu da incelenmektedir. Tüm senaryolar Türkiye’nin toplam enerji talebi tahmini için kullanılmıştır. Modellerimizin bulguları ETKB’nin bulduğu resmi sonuçlarla karşılaştırılmıştır. Ortaya çıkan sonuçlara göre, resmi kurum tahminleri bizim tüm senaryo bulgularımızdan önemli derecede yüksek çıkmaktadır

References

  • Canyurt, E. O., Ceylan, H., Öztürk, H. K., ve Hepbaşlı, A. (2004) “Energy Demand Estimation Based on Two-Different Genetic Algorithm Approaches” Energy Sources, 26: 1313-1320.
  • Ceylan, H. ve Öztürk, H. K. (2004) “Estimating Energy Demand of Turkey Based on Economic Indicatiors Using Genetic Algorithm Approach”Energy Conversion and Management, 45:2525-2537.
  • Ceylan, H., Ceylan, H., Haldenbilen, S. ve Baskan, Ö. (2008) “Transport Energy Modeling With Meta-Heuristic Harmony Search Algorithm, An Application to Turkey” Energy Policy, 36:2527-2535.
  • Ceylan, H., Öztürk, H. K., Hepbaşlı, A., ve Utlu, Z. (2005) “Estimating Energy end Exergy Production and Consumption Values Using Three Different Genetic Algorithm Approaches. Part 1: Model Development” Energy Sources, 27:621-627.
  • Ediger, V., Ş ve Tatlıdil, H. (2002) “Forecasting the Primary Energy Demand in Turkey and Analysis of Cyclic Patterns” Energy Conversion and Management, 43:473-487.
  • Ediger, V.Ş ve Akar, S. (2007) “ARIMA Forecasting of Primary Energy Demand by Fuel in Turkey” Energy Policy, 35:1701-1708.
  • Efe, Ö. ve Kaynak, O. (2004) Yapay Sinir Ağları ve Uygulamaları, İstanbul, Boğaziçi Üniversitesi Yayınevi. Erdoğdu, E. (2007) “Electricity Demand Analysis Using Cointegration and ARIMA Modelling: A Case Study of Turkey” Energy Policy, 35:1129-1146.
  • Görücü, F.B., Geriş, P., U. ve Gumrah, F. (2004) “Artificial Neural Network Modeling for Forecasting Gas Consumption” Energy Sources, 26:299-307.
  • Görücü, F.B. ve Gümrah, F. (2004) “Evaluation and Forecasting of Gas Consumption by Statistical Analysis” Energy Sources, 26:267-276.
  • Haldenbilen, S. ve Ceylan, H. (2005) “Genetic Algorithm Approach To Estimate Transport Energy Demand In Turkey” Energy Policy, 33:89–98.
  • Hamzaçebi, ve Kutay, F. (2004) “Yapay Sinir Ağları İle Türkiye Elektrik Enerjisi Tüketiminin 2010 Yılına Kadar Tahmini” Gazi Üniersitesi. Mühendislik. Mimarlık. Fakültesi Dergisi, 19(3):227-233.
  • Kaastra, I. ve Boyd, M. (1996) “Designing a Neural Network for Forecasting Financial and Economic Time Series” Neurocomputing, 10:215-236.
  • Karakaya, E. (2008) Küresel Isınma ve Kyoto Protokolü; İklim Değişikliğinin Bilimsel, Ekonomik ve Politik Analizi, İstanbul, Bağlam Yayınları.
  • Kavaklıoğlu, K., Ceylan, H., Öztürk, H. K. ve Canyurt, O. E. (2009) “Modelig and Prediction of Turkey’s Electricity Consumption Using Artifical Neural Networks” Energy Conversion and Management, 50:2719- 2727.
  • Lise, W. ve Van Montfort, K. (2007) “Energy Consumption and GDP in Turkey: Is There a Co-integration relationship?” Energy Economics, 29(6):1166-1178.
  • Murat, Y.,S. ve Ceylan, H. (2006) “Use of Artificial Neural Networks for Transport Energy Demand Modeling” Energy Policy, 34:3165-3172.
  • Orhan, M. (2007) “Enerji Talebinin Kısa ve Uzun Dönem Dinamik Analizi: Türkiye Uygulaması”, Yayınlanmamış Yüksek Lisans Tezi, Kayseri, Erciyes Üniversitesi.
  • Öztürk, H. K., Ceylan, H., Canyurt, O. E. ve Hepbaşlı, A. (2005) “Electricity Estimation Using Genetic Algorithm Approach: A Case Study of Turkey” Energy, 30:1003-1012.
  • Pamir, N. (2003) “Dünyada ve Türkiye’de Doğal Kaynaklar ve Enerji Politikaları” DESEM, İzmir.
  • Piché, S.W. (1994) “Steepest Descent Algorithms for Neural Network Controllers and Filtres”, IEEE Transactions on Neural Networks, 5(2):198-212.
  • Sharda, R. ve Patil, R. (1992) “Connectionist Approach to Time Series Prediction: An Empirical Test” Journal of Intelligent Manufacturing, 3(5):317-323.
  • Sözen, A. ve Arcaklioğlu, E. (2007) “Prediction of Net Energy Consumption Based on Economic Indicators (GNP and GDP) in Turkey” Energy Policy, 35:4981-4992.
  • Sözen, A., Akçayol, M. A., ve Arcaklıoğlu, E. (2006) “Forecasting Net Energy Consumption Using Artificial Neural Network”, Energy Sources, 1(2):147-155.
  • Toksarı, M. D. (2007) “Ant Colony Optimization Approach to Estimate Energy Demand of Turkey” Energy Policy, 35:3984-3990.
  • Toksarı, M. D. (2009) “Estimating The Net Electricity Energy Generation and demand Using The Ant Colony Optimization Approach: Case of Turkey” Energy Policy, 37:1181-1187.
  • Tunç, M., Çamdalı, Ü. ve Parmaksızoğlu, C. (2006) “Comparison of Turkey’s Electrical Energy Consumption and Production with Some European Countries and Optimization of Future Electrical Power Supply Investments in Turkey” Energy Policy, 34:50-59.
  • Ünler, A. (2008) “ Improvement of Energy Demand Forecasts Using Swarm Intelligence: The Case of Turkey with Projections to 2025” Energy Policy, 36:1937-1944.
  • Yumurtacı, Z. ve Asmaz, E. (2004) “Electric Energy Demand of Turkey for the Year 2050”, Energy Sources, 26:1157-1164.
  • Yurtoğlu, H. (2005) Yapay Sinir Ağları Metedolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler için Türkiye Örneği, Uzmanlık Tezi, Ekonomik Modeller ve Strateji Araştırmalar Genel Müdürlüğü, Devlet Planlama Teşkilatı, No:2683.
  • Yüksek, Ö., Kömürcü, M. İ., Yüksel, İ. ve Kaygusuz, K. (2006) “The Role of Hydropower In Meeting Turkey’s Electric Energy Demand” Energy Policy, 34:3093-3103.

Forecasting Turkey’s Energy Demand Using Artificial Neural Networks: Three Scenario Applications

Year 2011, Volume: 11 Özel Sayı, 87 - 94, 01.11.2011

Abstract

Energy has become increasingly crucial for countries as we have experienced high economic growth, increases in population together with rapid urbanization in the globalized world. Turkey’s energy demand has grown rapidly and is expected to continue growing. In this context many studies have been carried out to forecast energy demand in Turkey. The energy demand forecasts are officially prepared by the Turkish Ministry of Energy and Natural Resources (MENR). However, MENR forecasts are significantly higher when compared with realized demand and the results of other academic studies. In this study, Turkey’s energy demand is forecasted by using artificial neural network technique, a type of artificial intelligence application. For this purpose, three different scenarios are developed. These are: ‘static scenarios’, where economic growth is assumed to be stable, ‘sustainability scenarios’, where energy intensities are assumed to be decreasing and finally ‘periodic-change scenarios’, where the economic growth is assumed to change during five different time periods by 2030. Moreover, both static and sustainability scenarios are further investigated under high, medium and slow economic growth assumptions. Periodic-change scenarios also consist of two sub-scenarios, where energy intensities are assumed to decrease and stay the same. All scenarios are applied to the total energy demand of Turkey. The results of the energy demand estimations found by our models are compared with the official estimations of the MENR. It is concluded that the MENR estimations are significantly higher than what we have found with our models

References

  • Canyurt, E. O., Ceylan, H., Öztürk, H. K., ve Hepbaşlı, A. (2004) “Energy Demand Estimation Based on Two-Different Genetic Algorithm Approaches” Energy Sources, 26: 1313-1320.
  • Ceylan, H. ve Öztürk, H. K. (2004) “Estimating Energy Demand of Turkey Based on Economic Indicatiors Using Genetic Algorithm Approach”Energy Conversion and Management, 45:2525-2537.
  • Ceylan, H., Ceylan, H., Haldenbilen, S. ve Baskan, Ö. (2008) “Transport Energy Modeling With Meta-Heuristic Harmony Search Algorithm, An Application to Turkey” Energy Policy, 36:2527-2535.
  • Ceylan, H., Öztürk, H. K., Hepbaşlı, A., ve Utlu, Z. (2005) “Estimating Energy end Exergy Production and Consumption Values Using Three Different Genetic Algorithm Approaches. Part 1: Model Development” Energy Sources, 27:621-627.
  • Ediger, V., Ş ve Tatlıdil, H. (2002) “Forecasting the Primary Energy Demand in Turkey and Analysis of Cyclic Patterns” Energy Conversion and Management, 43:473-487.
  • Ediger, V.Ş ve Akar, S. (2007) “ARIMA Forecasting of Primary Energy Demand by Fuel in Turkey” Energy Policy, 35:1701-1708.
  • Efe, Ö. ve Kaynak, O. (2004) Yapay Sinir Ağları ve Uygulamaları, İstanbul, Boğaziçi Üniversitesi Yayınevi. Erdoğdu, E. (2007) “Electricity Demand Analysis Using Cointegration and ARIMA Modelling: A Case Study of Turkey” Energy Policy, 35:1129-1146.
  • Görücü, F.B., Geriş, P., U. ve Gumrah, F. (2004) “Artificial Neural Network Modeling for Forecasting Gas Consumption” Energy Sources, 26:299-307.
  • Görücü, F.B. ve Gümrah, F. (2004) “Evaluation and Forecasting of Gas Consumption by Statistical Analysis” Energy Sources, 26:267-276.
  • Haldenbilen, S. ve Ceylan, H. (2005) “Genetic Algorithm Approach To Estimate Transport Energy Demand In Turkey” Energy Policy, 33:89–98.
  • Hamzaçebi, ve Kutay, F. (2004) “Yapay Sinir Ağları İle Türkiye Elektrik Enerjisi Tüketiminin 2010 Yılına Kadar Tahmini” Gazi Üniersitesi. Mühendislik. Mimarlık. Fakültesi Dergisi, 19(3):227-233.
  • Kaastra, I. ve Boyd, M. (1996) “Designing a Neural Network for Forecasting Financial and Economic Time Series” Neurocomputing, 10:215-236.
  • Karakaya, E. (2008) Küresel Isınma ve Kyoto Protokolü; İklim Değişikliğinin Bilimsel, Ekonomik ve Politik Analizi, İstanbul, Bağlam Yayınları.
  • Kavaklıoğlu, K., Ceylan, H., Öztürk, H. K. ve Canyurt, O. E. (2009) “Modelig and Prediction of Turkey’s Electricity Consumption Using Artifical Neural Networks” Energy Conversion and Management, 50:2719- 2727.
  • Lise, W. ve Van Montfort, K. (2007) “Energy Consumption and GDP in Turkey: Is There a Co-integration relationship?” Energy Economics, 29(6):1166-1178.
  • Murat, Y.,S. ve Ceylan, H. (2006) “Use of Artificial Neural Networks for Transport Energy Demand Modeling” Energy Policy, 34:3165-3172.
  • Orhan, M. (2007) “Enerji Talebinin Kısa ve Uzun Dönem Dinamik Analizi: Türkiye Uygulaması”, Yayınlanmamış Yüksek Lisans Tezi, Kayseri, Erciyes Üniversitesi.
  • Öztürk, H. K., Ceylan, H., Canyurt, O. E. ve Hepbaşlı, A. (2005) “Electricity Estimation Using Genetic Algorithm Approach: A Case Study of Turkey” Energy, 30:1003-1012.
  • Pamir, N. (2003) “Dünyada ve Türkiye’de Doğal Kaynaklar ve Enerji Politikaları” DESEM, İzmir.
  • Piché, S.W. (1994) “Steepest Descent Algorithms for Neural Network Controllers and Filtres”, IEEE Transactions on Neural Networks, 5(2):198-212.
  • Sharda, R. ve Patil, R. (1992) “Connectionist Approach to Time Series Prediction: An Empirical Test” Journal of Intelligent Manufacturing, 3(5):317-323.
  • Sözen, A. ve Arcaklioğlu, E. (2007) “Prediction of Net Energy Consumption Based on Economic Indicators (GNP and GDP) in Turkey” Energy Policy, 35:4981-4992.
  • Sözen, A., Akçayol, M. A., ve Arcaklıoğlu, E. (2006) “Forecasting Net Energy Consumption Using Artificial Neural Network”, Energy Sources, 1(2):147-155.
  • Toksarı, M. D. (2007) “Ant Colony Optimization Approach to Estimate Energy Demand of Turkey” Energy Policy, 35:3984-3990.
  • Toksarı, M. D. (2009) “Estimating The Net Electricity Energy Generation and demand Using The Ant Colony Optimization Approach: Case of Turkey” Energy Policy, 37:1181-1187.
  • Tunç, M., Çamdalı, Ü. ve Parmaksızoğlu, C. (2006) “Comparison of Turkey’s Electrical Energy Consumption and Production with Some European Countries and Optimization of Future Electrical Power Supply Investments in Turkey” Energy Policy, 34:50-59.
  • Ünler, A. (2008) “ Improvement of Energy Demand Forecasts Using Swarm Intelligence: The Case of Turkey with Projections to 2025” Energy Policy, 36:1937-1944.
  • Yumurtacı, Z. ve Asmaz, E. (2004) “Electric Energy Demand of Turkey for the Year 2050”, Energy Sources, 26:1157-1164.
  • Yurtoğlu, H. (2005) Yapay Sinir Ağları Metedolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler için Türkiye Örneği, Uzmanlık Tezi, Ekonomik Modeller ve Strateji Araştırmalar Genel Müdürlüğü, Devlet Planlama Teşkilatı, No:2683.
  • Yüksek, Ö., Kömürcü, M. İ., Yüksel, İ. ve Kaygusuz, K. (2006) “The Role of Hydropower In Meeting Turkey’s Electric Energy Demand” Energy Policy, 34:3093-3103.
There are 30 citations in total.

Details

Other ID JA88GA37HK
Journal Section Research Article
Authors

Hakan Hotunluoğlu

Etem Karakaya This is me

Publication Date November 1, 2011
Published in Issue Year 2011 Volume: 11 Özel Sayı

Cite

APA Hotunluoğlu, H., & Karakaya, E. (2011). Forecasting Turkey’s Energy Demand Using Artificial Neural Networks: Three Scenario Applications. Ege Academic Review, 11(5), 87-94.
AMA Hotunluoğlu H, Karakaya E. Forecasting Turkey’s Energy Demand Using Artificial Neural Networks: Three Scenario Applications. ear. November 2011;11(5):87-94.
Chicago Hotunluoğlu, Hakan, and Etem Karakaya. “Forecasting Turkey’s Energy Demand Using Artificial Neural Networks: Three Scenario Applications”. Ege Academic Review 11, no. 5 (November 2011): 87-94.
EndNote Hotunluoğlu H, Karakaya E (November 1, 2011) Forecasting Turkey’s Energy Demand Using Artificial Neural Networks: Three Scenario Applications. Ege Academic Review 11 5 87–94.
IEEE H. Hotunluoğlu and E. Karakaya, “Forecasting Turkey’s Energy Demand Using Artificial Neural Networks: Three Scenario Applications”, ear, vol. 11, no. 5, pp. 87–94, 2011.
ISNAD Hotunluoğlu, Hakan - Karakaya, Etem. “Forecasting Turkey’s Energy Demand Using Artificial Neural Networks: Three Scenario Applications”. Ege Academic Review 11/5 (November 2011), 87-94.
JAMA Hotunluoğlu H, Karakaya E. Forecasting Turkey’s Energy Demand Using Artificial Neural Networks: Three Scenario Applications. ear. 2011;11:87–94.
MLA Hotunluoğlu, Hakan and Etem Karakaya. “Forecasting Turkey’s Energy Demand Using Artificial Neural Networks: Three Scenario Applications”. Ege Academic Review, vol. 11, no. 5, 2011, pp. 87-94.
Vancouver Hotunluoğlu H, Karakaya E. Forecasting Turkey’s Energy Demand Using Artificial Neural Networks: Three Scenario Applications. ear. 2011;11(5):87-94.