Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini

Yumusak, Nejat; Akpinar, Mustafa

doi:10.17341/gazimmfd.494094

Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini

Mustafa AKPINAR, (Sakarya Üniversitesi, Bilgisayar ve Bilişim Bilimleri Fakültesi, Yazılım Mühendisliği Bölümü, Sakarya, Türkiye)

Nejat YUMUŞAK (Sakarya Üniversitesi, Bilgisayar ve Bilişim Bilimleri Fakültesi, Bilgisayar Mühendisliği Bölümü, Sakarya, Türkiye)

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

2 0

Yıl: 2020 Cilt: 35 Sayı: 2 Sayfa Aralığı: 725 - 741 Metin Dili: Türkçe DOI: 10.17341/gazimmfd.494094 İndeks Tarihi: 10-01-2021

Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini

Öz:

Doğalgaz sektöründe yüksek tüketime sahip şirketler (sanayi kuruluşları gibi) ve şehir dağıtım şirketleri yılöncesinde aylık, yıl içinde de günlük tüketim talep tahminlerini bildirmekle yükümlüdür. Bu çalışma günlükve aylık temelde orta vadeli doğalgaz talep tahminini tek değişkenli mevsimsellik içeren istatistiki yöntemler(zaman serileri ayrıştırılması, Holt-Winters üstel düzeltme, ARIMA/SARIMA) ile gerçekleştirmiştir. Butekniklerin ortak özelliği mevsimsellik içeren zaman serilerinde geçmiş bilgiyi barındıracak biçimde modelkurmaları ve bir anda çok sayıda tahmine izin vermelerdir. Yapılan bu çalışmada günlük temelde 365 günlük,aylık temelde de 12 aylık tahmin bir anda gerçekleştirilmiştir. İstatistiksel olarak uygun tüm tahminmodellerinde, günlük temelde yıl öncesi doğalgaz tüketimini, 2014 yılı için en düşük hata, en yüksek uyum%24,6 MAPE ve 0,802 R2 değeri ile ARIMA(1,0,1)1(0,1,1)365 modelinde olmuştur. Bu modelin katsayılarıistatistiksel olarak da anlamlı olup, kalıntıları beyaz gürültü olarak bulunmuştur. Aynı model aylıktahminlerde de en düşük hataya (MAPE) ve en yüksek uyuma (R2) sahip olduğu görülmüştür. Aylıktahminde, bu modelin MAPE ve R2 değeri sırasıyla %11,32 ve 0,981 olmuştur. Bu sonuçlar mevsimselARIMA modellerinin tek değişkenli teknikler arasında en uygun tahmin tekniği olduğunu göstermiştir. Biranda çok sayıda tahmin yapılabilmesi ve sonuçlarının kabul edilebilir olması, bu tekniklerin yıl öncesindeaylık ve günlük tahminlerde kullanılabilmesine olanak tanımaktadır.

Anahtar Kelime:

Daily basis mid-term demand forecast of city natural gas using univariate statistical techniques

Öz:

City distribution companies or companies with high consumption are required to report monthly consumption demand forecasts for the year ahead and year based daily consumption demand forecasts in natural gas sector. This paper studies forecasting daily and monthly demand for mid-term natural gas as contract estimations using statistical methods (time series decomposition, Holt-Winters exponential smoothing, ARIMA/SARIMA), include univariate seasonality. In the study, 365-day forecast is performed on a daily basis and 12-month forecast is performed on a monthly basis at once. Among all statistically appropriate forecasting models, ARIMA(1,0,1)1(0,1,1)365 model found daily basis year ahead natural gas consumptions the best with the lowest error, highest compliance with 24.6% MAPE and 0.802 R2 , for the year 2014. The coefficients of this model were statistically significant and the residuals were found as white noise. The same model has the lowest error (MAPE - 11.32%) and highest compliance (R2- 0.981) in the monthly estimations as well. The results show that seasonal ARIMA models are the most appropriate estimation technique among the univariate techniques. The fact that many predictions can be made at a time and the results are acceptable allow these techniques to be used in the year ahead monthly and daily forecasting.

Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

1. M. Özcan and M. Yıldırım, The Impact of Capital Subsidy Incentive on Renewable Energy Deployment in Long-Term Power Generation Expansion Planning, Sakarya University J. Comput. Inf. Sci., (1)3, 1–19, 2018.
2. X. Wang, D. Luo, J. Liu, W. Wang, and G. Jie, Prediction of Natural Gas Consumption in Different Regions of China Using a Hybrid MVO-NNGBM Model, Math. Probl. Eng., 2017, 1–10, 2017.
3. M.Akpinar, M.Adak, and N.Yumusak, Day-Ahead Natural Gas Demand Forecasting Using Optimized ABC-Based Neural Network with Sliding Window Technique: The Case Study of Regional Basis in Turkey, Energies, 10 (6), 781, 2017.
4. F. Scarpa and V. Bianco, Assessing the Quality of Natural Gas Consumption Forecasting: An Application to the Italian Residential Sector, Energies,10 (11) 1879, Nov. 2017.
5. O. Laib, M. T. Khadir, and L. Mihaylova, A Gaussian Process Regression for Natural Gas Consumption Prediction Based on Time Series Data, in 2018 21st International Conference on Information Fusion (FUSION), 2018, 55–61.
6. N. Wei et al., Short-Term Forecasting of Natural Gas Consumption Using Factor Selection Algorithm and Optimized Support Vector Regression, J. Energy Resour. Technol.,141 (3), 032701, Oct. 2018.
7. I. Naim and T. Mahara, Comparative Analysis of Univariate Forecasting Techniques for Industrial Natural Gas Consumption, Int. J. Image, Graph. Signal Process., 10 (5), 33–44, May 2018.
8. M. Akpinar and N. Yumusak, Naïve forecasting of household natural gas consumption with sliding window approach, TURKISH J. Electr. Eng. Comput. Sci., 25 (1), 30–45, 2017.
9. Y. E. Özger, M. Akpınar, Z. Musayev, and M. Yaz, Electrical Load Forecasting Using Genetic Algorithm Based Holt-Winters Exponential Smoothing Method, Sakarya University J. Comput. Inf. Sci., 2 (2), 108–123, Aug. 2019.
10. H. A. Es, F. Y. Kalender, and C. Hamzaçebi, 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.
11. F. Jiang, X. Yang, and S. Li, Comparison of Forecasting India’s Energy Demand Using an MGM, ARIMA Model, MGM-ARIMA Model, and BP Neural Network Model, Sustainability, 10 (7), 2225, Jun. 2018.
12. M. Fırat, M. A. Yurdusev, and M. Mermer, Monthly Water Demand Forecasting by Adaptive Neuro-Fuzzy Inference System Approach, Journal of the Faculty of Engineering and Architecture of Gazi University, 23 (2), 449–457, 2008.
13. C. Hamzaçebi and F. Kutay, Electric Consumption Forecasting of Turkey Using Artificial Neural Networks Up to Year 2010, Journal of the Faculty of Engineering and Architecture of Gazi University, 19 (3), 227–233, 2004.
14. S. Rehman, Y. Cai, R. Fazal, G. Das Walasai, and N. Mirjat, An Integrated Modeling Approach for Forecasting Long-Term Energy Demand in Pakistan, Energies, 10 (11), 1868, Nov. 2017.
15. M. Bulut and B. Başoğlu, Development of a Hybrid System Based on Neural Networks and Expert Systems for Short-Term Electricity Demand Forecasting, Journal of the Faculty of Engineering and Architecture of Gazi University, 32 (2), 575-583, 2017.
16. D. Šebalj, J. Mesarić, and D. Dujak, Predicting Natural Gas Consumption – A Literature Review, in Central European Conference on Information and Intelligent Systems 2017, 2017, 293–300.
17. V. Prema and K. U. Rao, Time series decomposition model for accurate wind speed forecast, Renewables Wind. Water, Sol., 2 (1), 18, Dec. 2015.
18. L. Gelažanskas and K. Gamage, Forecasting Hot Water Consumption in Residential Houses, Energies, (8) 11, 12702–12717 2015.
19. Q.Wu, C.Peng, Wind Power Generation Forecasting Using Least Squares Support Vector Machine Combined with Ensemble Empirical Mode Decomposition, Principal Component Analysis and a Bat Algorithm, Energies, (9) 4,261, 2016.
20. Ö. Demirel, A. Kakilli, and M. Tektaş, 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.
21. R. A. Yaffee and M. McGee, Introduction to Time Series Analysis and Forecasting: With Applications of SAS and SPSS, 1st ed. Orlando, FL: Academic Press, 2000.
22. Stephen A. DeLurgio, Forecasting principles and applications. Boston: Irwin McGraw-Hill, 1998.
23. M. Akpinar and N. Yumusak, Year Ahead Demand Forecast of City Natural Gas Using Seasonal Time Series Methods, Energies, 9 (9), 727, Sep. 2016.
24. S. Makridakis, S. C. Wheelwright, and H. R. J., Forecasting : methods and applications. New York: John Wiley, 2008.
25. S. Delurgio and C. Bhame, Forecasting Systems for Operations Management. New York: Irwin Professional Pub, 1991.
26. H. Ma and Y. Wu, Grey predictive on natural gas consumption and production in China, in Proceedings of the 2009 2nd Pacific-Asia Conference on Web Mining and Web-Based Application, WMWA 2009, 2009, 91– 94.
27. P. R. Winters, Forecasting Sales by Exponentially Weighted Moving Averages, Manage. Sci., 6 (3), 324– 342, Apr. 1960.
28. G. E. P. Box, G. M. Jenkins, and G. C. Reinsel, Time Series Analysis, 5th ed. Hoboken, NJ: John Wiley & Sons, Inc., 2008.
29. M. Valipour, Long-term runoff study using SARIMA and ARIMA models in the United States, Meteorol. Appl., 22 (3), 592–598, Jul. 2015.
30. R. Burtiev, F. Greenwell, and V. Kolivenko, Time Series Analysis of Wind Speed and Temperature in Tiraspol, Moldova, 12 (1), 23–33, 2013.
31. S. I. Inc., SAS/ETS® 13.2 User’s Guide. North Calorina: SAS Institute Inc., 2014.
32. P. S. P. Cowpertwait and A. V. Metcalfe, Introductory Time Series with R. New York: Springer, 2009.
33. J. D. Hamilton, Time Series Analysis, Prentice Hall New Jersey 1994, vol. SFB 373, no. Chapter 5, 837–900, 1994.
34. W. W. S. Wei, Time Series Analysis: Univariate And Multivariate Methods, 2nd Ed. Boston: Pearson, 2006. 35. G. Wypych, Solvent Use in Various Industries: Asphalt Compounding, in Handbook of Solvents: Second Ed., vol. 2, Elsevier, 2014, 13–14.
36. D. A. Dickey and W. A. Fuller, Distribution of the Estimators for Autoregressive Time Series With a Unit Root, J. Am. Stat. Assoc., 74, 366, 427, Jun. 1979.
37. E. Said and D. A. Dickey, Testing for unit roots in autoregressive-moving average models of unknown order, Biometrika, 71 (3), 599–607, 1984.
38. P. C. B. Phillips and P. Perron, Testing for a unit root in time series regression, Biometrika, (75) 2, 335–346, 1988.
39. C. D. Lewis, B. Green, and K. Sevenoaks, Industrial and business forecasting methods: A practical guide to exponential smoothing and curve fitting, First. London: Butterworth-Heinemann, 1982.

APA	Akpinar M, Yumusak N (2020). Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini. , 725 - 741. 10.17341/gazimmfd.494094
Chicago	Akpinar Mustafa,Yumusak Nejat Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini. (2020): 725 - 741. 10.17341/gazimmfd.494094
MLA	Akpinar Mustafa,Yumusak Nejat Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini. , 2020, ss.725 - 741. 10.17341/gazimmfd.494094
AMA	Akpinar M,Yumusak N Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini. . 2020; 725 - 741. 10.17341/gazimmfd.494094
Vancouver	Akpinar M,Yumusak N Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini. . 2020; 725 - 741. 10.17341/gazimmfd.494094
IEEE	Akpinar M,Yumusak N "Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini." , ss.725 - 741, 2020. 10.17341/gazimmfd.494094
ISNAD	Akpinar, Mustafa - Yumusak, Nejat. "Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini". (2020), 725-741. https://doi.org/10.17341/gazimmfd.494094

APA	Akpinar M, Yumusak N (2020). Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(2), 725 - 741. 10.17341/gazimmfd.494094
Chicago	Akpinar Mustafa,Yumusak Nejat Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 35, no.2 (2020): 725 - 741. 10.17341/gazimmfd.494094
MLA	Akpinar Mustafa,Yumusak Nejat Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol.35, no.2, 2020, ss.725 - 741. 10.17341/gazimmfd.494094
AMA	Akpinar M,Yumusak N Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2020; 35(2): 725 - 741. 10.17341/gazimmfd.494094
Vancouver	Akpinar M,Yumusak N Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2020; 35(2): 725 - 741. 10.17341/gazimmfd.494094
IEEE	Akpinar M,Yumusak N "Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini." Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35, ss.725 - 741, 2020. 10.17341/gazimmfd.494094
ISNAD	Akpinar, Mustafa - Yumusak, Nejat. "Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 35/2 (2020), 725-741. https://doi.org/10.17341/gazimmfd.494094