SavedAdd your journal

Journals / Ege Akademik Bakış / 2011 / Cilt: 11 - Sayı: Özel

Yapay sinir ağları yöntemiyle Türkiye’nin enerji talebi tahmini: Üç senaryo uygulaması

Forecasting Turkey’s energy demand using artificial neural networks: Three scenario applications

Hakan HOTUNLUOĞLU
Etem KARAKAYA
Pages
87–94
Publication Date
2022-10-12
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

It is concluded that the MENR estimations are significantly higher than what we have found with our models.

📌 3 Key Takeaways

🎯
Objective & Hypothesis: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.
📊
Key Findings & Data:However, MENR forecasts are significantly higher when compared with realized demand and the results of other academic studies.
💡
Conclusion & Impact:It is concluded that the MENR estimations are significantly higher than what we have found with our models.
🔬Design:Modeling & Simulation
📍Scope:2030 Verileri
⚙️Variables:Domain Parameters

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.

Özet

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.

🔖

Cite This Article

HOTUNLUOĞLU, H., KARAKAYA, E. (2022). Yapay sinir ağları yöntemiyle Türkiye’nin enerji talebi tahmini: Üç senaryo uygulaması. Ege Akademik Bakış, Cilt: 11 - Sayı: Özel, 87–94. https://ajindex.com/articles/495486

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (16)

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. Ediger, V.Ş ve Akar, S. (2007) “ARIMA Forecasting of Primary Energy Demand by Fuel in Turkey” Energy Policy, 35:1701-1708.
  7. Efe, Ö. ve Kaynak, O. (2004)
  8. Yapay Sinir Ağları ve Uygulamaları, İstanbul, Boğaziçi Üniversitesi Yayınevi.
  9. Erdoğdu, E. (2007) “Electricity Demand Analysis Using Cointegration and ARIMA Modelling: A Case Study of Turkey” Energy Policy, 35:1129-1146.
  10. Görücü, F.B., Geriş, P., U. ve Gumrah, F. (2004) “Artificial Neural Network Modeling for Forecasting Gas Consumption” Energy Sources, 26:299-307.
  11. Görücü, F.B. ve Gümrah, F. (2004) “Evaluation and Forecasting of Gas Consumption by Statistical Analysis” Energy Sources, 26:267-276.
  12. 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.
  13. Kaastra, I. ve Boyd, M. (1996) “Designing a Neural Network for Forecasting Financial and Economic Time Series” Neurocomputing, 10:215-236.
  14. Karakaya, E. (2008) Küresel Isınma ve Kyoto Protokolü; İklim Değişikliğinin Bilimsel, Ekonomik ve Politik Analizi, İstanbul,
  15. Bağlam Yayınları.
  16. 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 Th