YAPAY ÖĞRENME İLE TÜRKİYE NİN KURULU GÜCÜNÜN 2023 YILINA KADAR TAHMİNİ

Transkript

1 YAPAY ÖĞRENME İLE TÜRKİYE NİN KURULU GÜCÜNÜN 2023 YILINA KADAR TAHMİNİ Cihan DEMİR 1, Fatih AYDIN 2 1Kırklareli Üniversitesi, Teknik Bilimler M.Y.O, 39100, KIRKLARELİ 2 Kırklareli Üniversitesi, Teknik Bilimler M.Y.O, 39100, KIRKLARELİ cihan.demir@klu.edu.tr (corresponding author) ÖZET Türkiye de son yıllarda yenilenebilir enerji kaynaklarının kullanımında önemli ölçüde artış olmasına rağmen kurulu gücün tamamına yakınını termik ve hidrolik kaynaklar teşkil etmektedir. Bu çalışmada, yılları arasında Türkiye de hidrolik ve termik kaynaklardan oluşan kurulu güç, yıl ve nüfus verileri kullanılarak yılları arasındaki termik ve hidrolik güç değerleri tahmin edilmiştir. SMOReg, bu çalışmada kullanılan Yapay Öğrenme algoritmasıdır. Çalışmanın sonuçlarına göre Türkiye Cumhuriyetinin 100. yılı olan 2023 te termik ve hidroelektrik kaynaklardan elde edilecek kurulu güç değerleri 74799,205 MW ve 45619,552 MW olarak tahmin edilmiştir yılları arasındaki termik ve hidrolik kurulu güç tahminlerinin korelasyon katsayısı 0,973 ve 0,963 olarak elde edilmiştir. Anahtar Kelimeler: Hidrolik, Termik, Yapay Öğrenme, Kurulu güç 1. GİRİŞ Türkiye de kurulu gücün büyük bir bölümü hidrolik ve termik kaynaklardan sağlanmaktadır. Dolayısıyla bu kaynaklardan gelecekte enerji üretimine katkı düzeyinin ne oranlarda olacağının bilinmesi enerji planlamacıları açısından hayati önem arz etmektedir. Bu bağlamda literatürde yapılmış birçok çalışma bulunmaktadır. Balcı vd. [1] yük tahmininin etkin bir güç sistemi planlaması açısından vazgeçilmez olduğunu ifade etmişlerdir. Dahası Türkiye nin yılları arası saatlik enerji tüketim verileri yardımıyla 2004 yılından başlayarak yılları arasında regresyon analizi, en küçük kareler yöntemi ile kullanılarak kısa dönem yük tahmini gerçekleştirmişlerdir [1]. Aslan vd. [2] Kütahya ili için elektrik puant yük tahmini yapay sinir ağları (YSA) ile geriye doğru son beş yılı ( arası) baz alarak nüfus ve sıcaklık gibi etkenlerin puant yük 52

2 tahminine etkisini araştırmışlardır. Benzer şekilde Hamzaçebi ve Kutay [3] yapay sinir ağları ile Türkiye nin Elektrik enerjisi tüketiminin 2010 yılına kadar tahmin etmişlerdir. Hengirmen [4] Gaziantep in yük talebini üç farklı tahmin metodu kullanarak belirlemiş ve bu yöntemleri karşılaştırmıştır. Karacasu ve Hocaoğlu [5] ise Gaziantep in yük tahminini yapay sinir ağları ile gerçekleştirmişlerdir. Bu çalışmada Türkiye Cumhuriyetinin 100. Yılı olan 2023 yılına kadar kurulu gücün her yıl ne kadarının hidrolik, ne kadarının termik kaynaklardan karşılanacağı Yapay Öğrenme algoritması olan SMOReg algoritması kullanılarak güvenilirliği yüksek derecede tahmin edilmesi planlanmaktadır. Giriş verisi olarak nüfus, kaynaklara ait yük talebi değerleri dikkate alınmıştır yılları arasında Türkiye de hidrolik ve termik kaynaklardan oluşan kurulu güç verileri kullanılarak yılları arasındaki kurulu gücün termik ve hidrolik kaynaklar açısından karşılanma durumu tahmin edilmeye çalışılmıştır. 2. MATERYAL VE YÖNTEM Yapay Öğrenme bir dizi örnekten bir görevi öğrenen mantıksal ya da ikili operasyonlara dayalı olarak otomatik hesaplama yordamlarını kapsayan bir çalışma alanıdır [6]. Bu çalışmadaki tahmin problemi WEKA (Waikato Environment for Knowledge Analysis) içerisinde yer alan SMOReg (Sequential Minimal Optimization for Regression) algoritması kullanılarak çözülmüştür. Bir kimse, WEKA ile veri kümelerini işleyebilir, sınıflandırıcı sonuçlarını analiz edebilir ve herhangi bir kod yazmadan WEKA nın performansından faydalanabilir [7]. Bir Yapay Öğrenme algoritmasının öğrenme sürecinin sonucunda ne kadar başarılı olduğuna karar verilmesi için çeşitli ölçütlere gereksinim vardır. Bu çalışmaya konu olan öğrenme sisteminin başarımını ölçmek için korelasyon katsayısı (KK) ve ortalama karesel hatanın karekökü (OKHK) ölçütleri kullanılmıştır. SMO algoritması, Destek Yöney Makinalarının (DYM) eğitilmesi için kullanılan hızlı bir algoritmadır. DYM nin eğitilmesi çok büyük kuadratik programlama optimizasyon problemi çözümünü gerektirmektedir. SMO ise bu büyük problemi daha küçük kuadratik programlama problemlerine dönüştürür ve analitik olarak çözer. SMO için gerekli hafıza miktarı eğitim kümesinin boyutuna göre doğrusal olarak değişir. DYM; el yazısı tanıma, yüz tanıma, yaya tanıma ve metin sınıflandırma gibi birçok problem üzerinde iyi bir genelleme performansı vermektedir [8]. DYM nin iyi bir genelleme performansı vermesinde güçlü bir varsayım öne sürmesi yatmaktadır. Bu varsayıma göre; pozitif ve negatif örneklerin destek yöneylerinin seçilmesi ve sınıflandırmayı yapan optimal ayırıcı 53

3 hiperdüzlemin diğer hiperdüzlemlere (her iki destek yöneyine) eşit mesafede olması genelleme performansını arttırmaktadır. Bu durum ve hiperdüzlemlerin geometrisinin cebirsel ifadesi Şekil 1 de gösterilmektedir. Şekil 1. DYM için destek yöneyinin belirlenmesi [9] Bu cebirsel ifadelerde w ağırlık vektörünü ve b ise hiperdüzlemlerin orijin dışında başka noktaları da kesmesini sağlayan sabit bir değeri ifade etmektedir. Şekil 1 de yer alan sınıflandırma problemi doğrusal bir şekilde ayrılabilen bir problemdir. Ancak doğrusal bir biçimde ayrılamayan durumlarla karşılaşıldığında DYM çekirdek olarak doğrusal olmayan fonksiyonlar kullanır. Böylelikle doğrusal biçimde ayrılamayan örnekler çekirdek fonksiyonu yardımıyla doğrusal biçimde ayrılabilecek başka bir uzaya eşlenirler. Bu eşlemeden sonra örnekler doğrusal bir ayırıcı ile ayrılabilecek duruma gelirler. Bu çalışmada çekirdek olarak polinomal çekirdek kullanılmıştır. DYM de, sınıflandırma problemlerinde uygulanan yöntem regresyon problemleri için de geçerlidir. Bu durumda hiperdüzlemler örnekleri birbirinden ayırmak için değil örneklerin sınırlarını belirlemek için kullanılır. Optimal hiperdüzlem ise regresyon fonksiyonunu ifade etmektedir. KK, gerçek değer ile tahmini değer arasındaki istatistiksel ilişkiyi ölçer. Weka da KK nın hesaplanması için Karl Pearson ın korelasyon katsayısı formülü kullanılır [10]. Bu formül eşitlik (1) de görülmektedir. (1) KK değeri -1 ve +1 arasında değişmekte olup bu değerin yorumlanması gerçek dünya probleminin değişkenleri üzerindeki kapsama bağlı olduğu için özneldir. Yani çeşitli 54

4 alanlara göre KK nın yorumlanması değişebilmektedir [11]. KK nın yorumlanmasında Tablo 1 deki yorumlardan faydalanılmıştır. Tablo 1. Korelasyon Katsayısının Yorumlanması (Mkt Tech Assoc, 2015) Korelasyon Katsayısı Yorumu Değer Mükemmel derecede güçlü Çok güçlü Güçlü Orta derecede güçlü Orta Anlamlı Düşük Çok düşük Çok zayıf İlişki yok OKHK, Ortalama Karesel Hata (OKH) değerinin karekökünün alınmasıyla hesaplanır. OKH belli başlı ve çok yaygın olarak kullanılan bir ölçüttür. Birçok matematiksel teknik (doğrusal regresyon gibi) matematiksel olarak işlenmesi en kolay ölçüt olduğu için OKH yi kullanır. Yapay Öğrenmede kullanım alanı ise sınıflandırıcıların performans ölçümünü yapmaktır [7]. Bir tahmin edicinin hata oranı gelişigüzel bir tahmin yapmasından ya da doğru bir tahmin yapabilmesini sağlayacak bilgiyi yakalayamamasından kaynaklanır [12]. OKH ve OKHK değeri sıfıra ne kadar yakınsa hata oranı o kadar azdır. Ayrıca her öğrenme için OKH ya da OKHK nin kabul edilebilir hata değeri farklıdır. OKH ve OKHK nin denklemleri sırasıyla eşitlik (2) ve (3) görülmektedir. Buna göre p, yapılan tahmini değerleri; a, ise gerçek değerleri ifade etmektedir. (2) (3) 55

5 3. TARTIŞMA VE DEĞERLENDİRMELER yılları arasında Türkiye nin termik ve hidrolik kurulu gücünün gelişimi Şekil 2 de gösterilmektedir. Bu verilere göre 1960 lı yıllardan günümüze geldikçe termik santrallerden elde edilen güç miktarı hidroelektrik santrallerden elde edilen güç miktarından oldukça fazla olmaktadır. Şekil 2. Türkiye nin kurulu gücünün yılları itibariyle gelişimi yılları arasındaki kurulu termik güç verileri kullanılarak yapılan yılları arasındaki tahmini termik güç ve gerçek kurulu termik güç grafiği Şekil 3 te gösterilmektedir. Bu grafiğe göre yılları dışında gerçek ve tahmini değerler birbirlerine oldukça yakındır. SMOReg algoritması ile elde edilen modelin OKHK değeri 1280,614 ve KK değeri 0,9735 olarak elde edilmiştir. Bu sonuçlara göre elde edilen modelin çok performanslı bir model olduğu söylenebilir. Bu nedenle yılları arasındaki termik gücün tahmininde bu model kullanılmıştır. Model oluşturulurken SMOReg algoritmasının performansını en iyi yapacak şekilde parametrelerde değişiklikler yapılmıştır: komplekslik değeri 1,1 ve gecikme uzunluğu (lag length) 31 alınmıştır. Ayrıca bilinmeyen gecikme değerlerine sahip örnekler kaldırılmış, zamanın etkisi ve gecikme değerleri modelde kullanılmıştır. 56

6 Şekil yılları arasında Türkiye de kurulu termik gücün gerçek ve tahmini değerleri Termik güç modeli kullanılarak yılları arasındaki termik gücün tahmini güç değerleri Şekil 4 te gösterilmektedir. Bu grafiğe göre 2023 yılında termik güç üretimi 74799,2052 MW olarak tahmin edilmiştir. Oluşturulan modelin yılları arasında yapmış olduğu hatalar göz önüne alınarak yılları arasındaki tahminlere bu hataların etkileri yansıtılmıştır. Bu hata oranları kullanılarak yapılan tahminin alt ve üst sınırları belirlenmiştir. Hata oranının hesaplanmasında eşitlik (4) kullanılmıştır. Bu ifadede p, tahmini değeri; a ise gerçek değeri ifade etmektedir. (4) Eşitlik (4) teki oran kullanılarak yılları arasındaki tahminin sapmaları hesaplanır. Bu sapma değerleri eşitlik (5) te gösterildiği gibi hesaplanmaktadır. (5) Buna göre yılları arasında yapılan tahminlerin alt ve üst sınırları (p-δ, p+δ) şeklinde hesaplanmaktadır. Böylelikle 2023 yılı için yapılan tahminin alt-üst sınırları 72509,6412 MW ve 77088,7692 MW dır. Ayrıca tahmini planlanan yılın alt ve üst sınırları yıl değeri arttıkça artmaktadır. Bu durum zamanın artması ile tahminin doğruluğunun azalması gerçeğini de desteklemektedir. 57

7 Şekil yılları arasında Türkiye deki termik güç üretiminin tahmini değerleri yılları arasındaki kurulu hidrolik güç verileri kullanılarak yapılan yılları arasındaki tahmini hidrolik güç ve gerçek kurulu hidrolik güç grafiği Şekil 5 te gösterilmektedir. Bu grafiğe göre 2005 ve 2012 yılları dışında gerçek ve tahmini değerler birbirlerine uzaklaşmaktadır. SMOReg algoritması ile elde edilen modelin OKHK değeri 1502,4709 ve KK değeri 0,9636 olarak elde edilmiştir. Bu sonuçlara göre elde edilen modelin çok performanslı bir model olduğu söylenebilir. Bu nedenle yılları arasındaki hidrolik gücün tahmininde bu model kullanılmıştır. Model oluşturulurken SMOReg algoritmasının performansını en iyi yapacak şekilde parametrelerde değişiklikler yapılmıştır: komplekslik değeri 1,1 ve gecikme uzunluğu 39. Ayrıca bilinmeyen gecikme değerlerine sahip örnekler kaldırılmış, zamanın etkisi ve gecikme değerleri modelde kullanılmıştır. Şekil yılları arasında Türkiye de Kurulu hidrolik gücün gerçek ve tahmini değerleri Yukarıdaki hidrolik güç modeli kullanılarak yılları arasındaki hidrolik gücün tahmini güç değerleri Şekil 6 da gösterilmektedir. Bu grafiğe göre 2023 yılında hidrolik güç üretimi 45619,5529 MW olarak tahmin edilmiştir. Oluşturulan modelin yılları arasında yapmış olduğu hatalar göz önüne alınarak yılları arasındaki 58

8 tahminlere bu hataların etkileri yansıtılmıştır. Bu hata oranları kullanılarak yapılan tahminin alt ve üst sınırları belirlenmiştir yılı için yapılan tahminin alt-üst sınırları 41664,1274 MW ve 49574,9784 MW dır. Şekil yılları arasında Türkiye deki hidrolik güç üretiminin tahmini değerleri 4. SONUÇLAR Bu çalışmada Türkiye Cumhuriyetinin 100. Yılı olan 2023 yılına kadar kurulu gücün her yıl ne kadarının hidrolik, ne kadarının termik kaynaklardan karşılanacağı Yapay Öğrenme algoritması olan SMOReg algoritması kullanılarak güvenilirliği yüksek derecede tahmin edilmiştir. Giriş verisi olarak nüfus, kaynaklara ait yük talebi değerleri dikkate alınmıştır yılları arasında Türkiye de hidrolik ve termik kaynaklardan oluşan kurulu güç verileri ve nüfus verileri kullanılarak yılları arasındaki kurulu gücün termik ve hidrolik kaynaklar açısından karşılanma durumu tahmin edilmiştir yılında termik güç üretimi 74799,2052 MW olarak tahmin edilmiştir. Oluşturulan modelin yılları arasında yapmış olduğu hatalar göz önüne alınarak yılları arasındaki tahminlere bu hataların etkileri yansıtılmıştır. Bu hata oranları kullanılarak yapılan tahminin alt ve üst sınırları belirlenmiştir yılı için yapılan tahminin alt-üst sınırları 72509,6412 MW ve 77088,7692 MW dır yılında hidrolik güç üretimi 45619,5529 MW olarak tahmin edilmiştir. Oluşturulan modelin yılları arasında yapmış olduğu hatalar göz önüne alınarak yılları arasındaki tahminlere bu hataların etkileri yansıtılmıştır. Bu hata oranları kullanılarak yapılan tahminin alt ve üst sınırları belirlenmiştir. Hata parametreleri dikkate alınarak alt ve üst değer aralığı belirlenmiş ve 2023 yılı için yapılan tahminin alt-üst sınırları 41664,1274 MW ve 49574,9784 MW dır. 5. KAYNAKLAR [1] H. Balcı, İ. I. Esener, and M. Kurban, Regresyon Analizi Kullanılarak Kısa Dönem Yük Tahmini, in ELECO 2012 Elektrik - Elektronik ve Bilgisayar Mühendisliği Sempozyumu, 2012, pp [2] Y. Aslan, C. Yaşar, and A. Nalbant, Electrical peak load forecasting in Kütahya with artificial neural networks, Dumlupınar Üniversitesi Fen Bilim. Enstitüsü Derg., vol. 11, pp , [3] C. Hamzaçebi and F. Kutay, Yapay Sinir Ağları ile Türkiye Elektrik Enerjisi Tüketiminin 2010 Yılına Kadar Tahmini, Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Derg., vol. 19, 59

9 no. 3, [4] M. O. Hengirmen, Comparison of Three Forecast Methods for Power Demand in Gaziantep, in Eleco 99 International Conference On Electrical And Electronics Engineering, 1999, pp [5] Ö. Karacasu and M. H. Hocaoğlu, Yapay Sinir Ağları ile Gaziantep Yöresi için Yük Tahmin Analizi, in International XII. Turkish Symposium on Artificial Intelligence and Neural Networks, [6] D. Michie and D. Spiegelhalter, Machine Learning: Neural and Statistical Classification. Overseas Press, [7] I. H. Witten, E. Frank, and M. A. Hall, Data Mining: Practical machine learning tools and techniques, 3rd ed. Morgan Kaufmann, [8] J. Platt, Fast training of support vector machines using sequential minimal optimization, in Advances in Kernel Methods - Support Vector Learning, B. Schoelkopf, C. Burges, and A. Smola, Eds. MIT Press, 1998, pp [9] B. J. Marafino, J. M. Davies, N. S. Bardach, M. L. Dean, R. A. Dudley, and J. Boscardin, N-gram support vector machines for scalable procedure and diagnosis classification, with applications to clinical free text data from the intensive care unit, J. Am. Med. Informatics Assoc., vol. 21, no. 5, pp , Sep [10] S. M. Stigler, Francis Galton s Account of the Invention of Correlation, Stat. Sci., vol. 4, no. 2, pp , [11] Mkt Tech Assoc, CMT Level II 2016: Theory and Analysis, 1st ed. Wiley, [12] E. L. Lehmann and G. Casella, Theory of Point Estimation. New York: Springer-Verlag,