Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması

Yıl: 2020 Cilt: 35 Sayı: 3 Sayfa Aralığı: 1129 - 1140 Metin Dili: Türkçe DOI: 10.17341/gazimmfd.591248 İndeks Tarihi: 12-01-2021

Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması

Öz:
Çalışma kapsamında enerji yönetim sistemlerinde önemli bir yere sahip olan kısa vadeli enerji tahminsüreçleri için ARIMA ve yapay sinir ağları kullanılarak geliştirilen melez tahmin modeli ortaya konulmuştur.Bu model kapsamında tütün endüstrisinde üretim yapan bir firmadan elde edilen gerçek hayat verisi ileuygulama çalışmaları yapılarak sistemin güvenilirliği test edilmiştir. ARIMA yönteminden elde edilensonuçlar doğrultusunda elektrik enerjisi tüketimini etkileyen faktörlerden bazıları göz önüne alınarak yapaysinir ağı modeline girdi verisi olarak eklenmiştir. Ele alınan veri setlerinde güneş enerjisi üretimi, çalışmasaatleri, tütün ürünlerine ait üretim miktarları ve geçmiş elektrik enerjisi tüketim verileri arasındakikorelasyona bakılarak, çeşitli nöron sayıları ve farklı eğitim algoritmaları denenerek planlaması yapılmakistenilen şirket için en uygun sistem tasarımı yapılmıştır. Elde edilen bilgiler ışığında geliştirilen meleztahmin modeli, sadece ARIMA modeli ile yapılan tahmin verilerine göre %39,9’luk bir iyileştirmesağlamaktadır.
Anahtar Kelime:

Design and development of hybrid forecasting model using artificial neural networks and ARIMA methods for sustainable energy management systems: a case study in tobacco industry

Öz:
This study presents a design and development of hybrid forecasting model by using ARIMA and artificial neural networks for short-term energy forecasting processes in energy management systems. Proposed model is applied into a company operating in the tobacco products manufacturing industry and reliability of the model is tested by using real-life data set in illustrative cases. In line with the results obtained from ARIMA method, some of the factors affecting electricity consumption are taken into consideration as input data for artificial neural network model. After considering the correlation between solar energy generation, working hours, production quantities and past electricity consumption data, various number of neurons and different training algorithms are tested to design the optimal system for the company. The proposed hybrid model provides around 39.9% improvement compared to forecast data obtained by using only ARIMA model.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
0
0
0
  • 1. Enerjinin etkin kullanımı ve enerji tasarrufu ile ilgili teknolojiler - alt grup raporu. http://www.inovasyon.org/pdf/eek.bolum5.3.pdf. Yayın Tarihi Aralık 21, 2017. Erişim Tarihi Ocak 01, 2019.
  • 2. Debnath K.B., Mourshed M., Forecasting methods in energy planning models, Renewable and Sustainable Energy Reviews, 88, 297-325, 2018.
  • 3. Kim M., Choi W., Jeon Y., Liu L., A Hybrid Neural Network Model for Power Demand Forecasting, Energies, 12 (5), 931-948, 2019.
  • 4. Tso GK, Yau KK. Predicting electricity energy consumption: A comparison of regression analysis, decision tree and neural networks. Energy, Sep 1, 32 (9), 1761-8, 2007.
  • 5. Meng M., Niu D., Sun W., Forecasting monthly electric energy consumption using feature extraction, Energies, 4 (10), 1495-507, 2011.
  • 6. Zahan M., Kenett R.S., Modeling and Forecasting Energy Consumption in the Manufacturing Industry in South Asia, International Journal of Energy Economics and Policy, 3 (1), 87-98, 2012.
  • 7. Es H.A., Kalender F.Y., Hamzacebi C., Forecasting the net energy demand of Turkey by artificial neural networks, Journal of the Faculty of Engineering and Architecture of Gazi University, 29 (3), 495-504, 2014.
  • 8. Zhang F., Deb C., Lee S.E., Yang J., Shah K.W., Time series forecasting for building energy consumption using weighted Support Vector Regression with differential evolution optimization technique, Energy and Buildings,126, 94-103, 2016.
  • 9. Rahman A., Srikumar V., Smith A.D., Predicting electricity consumption for commercial and residential buildings using deep recurrent neural networks, Applied energy, 212, 372-385, 2018.
  • 10. Tahmassebi A., Gandomi A.H., Building energy consumption forecast using multi-objective genetic programming, Measurement, 118, 164-171, 2018.
  • 11. Singh P., Dwivedi P., Integration of new evolutionary approach with artificial neural network for solving short term load forecast problem, Applied energy, 217, 537- 549, 2018.
  • 12. Mohan N., Soman K.P., Kumar S.S., A data-driven strategy for short-term electric load forecasting using dynamic mode decomposition model, Applied energy, 232, 229-244, 2018.
  • 13. Ruiz L.G., Rueda R., Cuéllar M.P., Pegalajar M.C., Energy consumption forecasting based on Elman neural networks with evolutive optimization, Expert Systems with Applications, 92, 380-389, 2018.
  • 14. Anvari S., Tuna S., Canci M., Turkay M., Automated Box–Jenkins forecasting tool with an application for passenger demand in urban rail systems, Journal of Advanced Transportation, 50 (1), 25-49, 2016.
  • 15. Katsatos A.L., Moustris K.P., Application of Artificial Neuron Networks as energy consumption forecasting tool in the building of Regulatory Authority of Energy, Athens, Greece, Energy Procedia,157, 851-861, 2019.
  • 16. Zhang G.P., Time series forecasting using a hybrid ARIMA and neural network model, Neurocomputing, 50, 159-175, 2003.
  • 17. Demirel Ö., Kakilli A., Tektaş M., Electric energy load forecasting using anfis and arma methods, Journal of the Faculty of Engineering and Architecture of Gazi University, 25 (3), 601-610, 2010.
  • 18. Khashei M., Bijari M., A novel hybridization of artificial neural networks and ARIMA models for time series forecasting, Applied Soft Computing, 11 (2), 2664-2675, 2011.
  • 19. Babu C.N., Reddy B.E., A moving-average filter based hybrid ARIMA–ANN model for forecasting time series data, Applied Soft Computing, 23, 27-38, 2014.
  • 20. Khandelwal I., Adhikari R., Verma G., Time series forecasting using hybrid ARIMA and ANN models based on DWT decomposition, Procedia Computer Science, 48, 173-179, 2015.
  • 21. de Oliveira J.F., Ludermir T.B., A hybrid evolutionary decomposition system for time series forecasting, Neurocomputing, 180, 27-34, 2016.
  • 22. Başoğlu B., Bulut M., Development of a hybrid system based on neural networks and expert systems for shortterm electricity demand forecasting, Journal of the Faculty of Engineering and Architecture of Gazi University, 32 (2), 575-583, 2017.
  • 23. Xiao J., Li Y., Xie L., Liu D., Huang J., A hybrid model based on selective ensemble for energy consumption forecasting in China, Energy, 159, 534-546, 2018.
  • 24. Karadede Y., Ozdemir G., Aydemir E., Breeder hybrid algorithm approach for natural gas demand forecasting model, Energy, 141, 1269-1284, 2017.
  • 25. Li J., Wang R., Wang J., Li Y., Analysis and forecasting of the oil consumption in China based on combination models optimized by artificial intelligence algorithms, Energy, 144, 243-264, 2018.
  • 26. Zhang Y., Ma F., Shi B., Huang D., Forecasting the prices of crude oil: An iterated combination approach, Energy Economics, 70, 472-483, 2018.
  • 27. de Oliveira E.M., Oliveira F.L., Forecasting mid-long term electric energy consumption through bagging ARIMA and exponential smoothing methods, Energy, 144, 776-788, 2018.
  • 28. Wang D., Wang Y., Song X., Liu Y., Coal overcapacity in China: multiscale analysis and prediction, Energy Economics, 70, 244-257, 2018.
  • 29. Mackinnon J.G., Numerical Distribution Functions for Unit Root and Cointegration Tests, Journal of Applied Econometrics, 11, 601-618, 1996.
  • 30. Gavin H., The Levenberg-Marquardt method for nonlinear least squares curve-fitting problems, Department of Civil and Environmental Engineering, Duke University, 28:1-5, 2011.
  • 31. Askin D., Iskender I., Mamizadeh A., Dry type transformer winding thermal analysis using different neural network methods, Journal of the Faculty of Engineering and Architecture of Gazi University, 26 (4), 905-913, 2011.
  • 32. Møller M.F., A scaled conjugate gradient algorithm for fast supervised learning, Neural networks, 6 (4), 525- 533, 1993.
  • 33. RStudio Team. RStudio: Integrated Development for R. http://www.rstudio.com/. Erişim Tarihi Nisan 1, 2019.
  • 34. Beale M., Hagan M., Demuth H., Matlab R2017a Neural Network Toolbox User’s Guide, 2012.
APA RESAT H (2020). Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması. , 1129 - 1140. 10.17341/gazimmfd.591248
Chicago RESAT HAMDİ GİRAY Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması. (2020): 1129 - 1140. 10.17341/gazimmfd.591248
MLA RESAT HAMDİ GİRAY Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması. , 2020, ss.1129 - 1140. 10.17341/gazimmfd.591248
AMA RESAT H Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması. . 2020; 1129 - 1140. 10.17341/gazimmfd.591248
Vancouver RESAT H Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması. . 2020; 1129 - 1140. 10.17341/gazimmfd.591248
IEEE RESAT H "Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması." , ss.1129 - 1140, 2020. 10.17341/gazimmfd.591248
ISNAD RESAT, HAMDİ GİRAY. "Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması". (2020), 1129-1140. https://doi.org/10.17341/gazimmfd.591248
APA RESAT H (2020). Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(3), 1129 - 1140. 10.17341/gazimmfd.591248
Chicago RESAT HAMDİ GİRAY Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 35, no.3 (2020): 1129 - 1140. 10.17341/gazimmfd.591248
MLA RESAT HAMDİ GİRAY Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol.35, no.3, 2020, ss.1129 - 1140. 10.17341/gazimmfd.591248
AMA RESAT H Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2020; 35(3): 1129 - 1140. 10.17341/gazimmfd.591248
Vancouver RESAT H Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2020; 35(3): 1129 - 1140. 10.17341/gazimmfd.591248
IEEE RESAT H "Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması." Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35, ss.1129 - 1140, 2020. 10.17341/gazimmfd.591248
ISNAD RESAT, HAMDİ GİRAY. "Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 35/3 (2020), 1129-1140. https://doi.org/10.17341/gazimmfd.591248