Tahmin Modeli
Elektrik sektöründe, talep tahminlerinin doğru yapılması perakende satış firmalarıyla rekabet avantajı sağlamaktadır. Kısa ve uzun dönemli taleplerin tahmin edilmesi bazı sebeplerden dolayı kolay değildir. Öncelikle, elde edilmeye çalışılan tahmin değerleri içerisinde rastlantısal öğeler bulunmaktadır. Değerlerin sağlıklı bir şekilde tahmin edilmesi, söz konusu rastlantısal öğelere yönelik uzman tahminlerin yapılmasını gerektirmektedir. Diğer yandan, talep miktarları o günkü hava sıcaklığının mevsimsel ortalamadan sapması gibi uzun vadeli olarak elde edilmesi zor mevsimsel değişkenlerden etkilenmektedir. Bölgesel olarak farklılık gösteren sıcaklıklar için ortalama bir değerin bulunması da belirsizliklerle dolu bir işlemdir. Sağlıklı talep tahminleri farklı zamanlarda, farklı şekillerde ortaya çıkan rastlantısal öğeleri ve mevsimsel etkileri sağlıklı bir şekilde önceden tahmin edebilecek uzman yazılım sistemlerinin oluşturulmasına ihtiyaç duymaktadır.
Mühendisliğin çeşitli dallarından benzer tahmin çalışmalarında oluşturulan uzman yazılım sistemlerinde farklı tahmin metotları kullanılagelmektedir. Bu metotlar arasında en yaygın olanlardan bir tanesi Yapay Sinir Ağları (YSA)'dır.
YSA, insan beyninin bilgi işleme tekniğinden esinlenerek geliştirilmiş bir tekniktir. YSA ile basit biyolojik sinir sisteminin çalışma şekli matematiksel olarak benzetilir. İnsan beyni; sinir hücreleri olan nöronlardan oluşmuştur. Bu nöronlar çeşitli şekillerde birbirlerine bağlanarak bir sinir ağı oluşturmaktadır. Bu ağlar öğrenme, hafızaya alma ve veriler arasındaki ilişkiyi ortaya çıkarma kapasitesine sahiptirler. Beyinde öğrenme, nöronlar arasındaki bağlantıların kimyasal olarak ayarlanması ile olur. Canlılar doğumlarından itibaren bu mekanizma sayesinde yaşayarak öğrenme süreci içerisine girerler. Canlılar yaşayıp tecrübe ettikçe nöronlar arasındaki bağlantılar kimyasal olarak ayarlanmakta, sürekli değişmekte ve hatta yeni bağlantılar oluşmaktadır. Bu sayede öğrenme süreci gerçekleşmektedir.
YSA'larda beynin yukarıda anlatılan özelliğini matematiksel olarak modelleyerek bir benzetim oluşturulmaktadır. YSA'lar, insanların düşünme ve gözlemlemeye yönelik doğal yeteneklerini gerektiren problemlere, matematiksel ortamda yapay olarak gerçekleştirebil-mektedir. Öğrenme, oluşturulan matematiksel yapay sinir ağını eğitme yoluyla örnekler kullanarak gerçekleştirilmektedir. Beyindeki nöronlara YSA'larda düğüm adı verilmektedir. Düğümler arasındaki kimyasal değişimler ise, ağırlık adı verilen matematiksel büyüklükler olarak ifade edilmektedir. YSA'larda eğitim sürecinde, düğümler arasındaki bağlarda bulunan ağırlıklar değiştirilir. Yeterli öğrenme sağlandığında, bu ağırlıklar belirli bir değere yakınsarlar. Eğitim süreci tamamlanmış bir YSA, veri sınıflandırması, tanıma, optimizasyon, veri ilişkilendirme ve geleceğe yönelik tahminler gibi saf aritmetik yöntemlerle yapılması güç işlemleri matematiksel olarak yapabilmektedir.
YSA'lar normal olarak 3 farklı katmandan oluşmaktadır.
1. Giriş Katmanı,
2. Gizli Katman,
3. Çıkış Katmanı,
Giriş Katmanı; dış dünyadan girdilerin geldiği katmandır. Bu katmanda girdi sayısı (bağımsız değişken) kadar düğüm bulunmaktadır. Bu girdiler hiçbir işleme tabi tutulmadan doğrudan Gizli Katmana iletilirler.
Gizli Katman; giriş katmanında aldığı bilgiyi işleyerek bir sonraki katmana iletmektedir. Gizli katmanların ve her katmandaki ağdan ağa, gerçekleştirilmekte olan tahmin işleminin zorluk derecesine ve eğitim ve tahmin hızına göre değişiklik göstermektedir. Genellikle tahmin sürecine en uygun olacak sayılar bir parametrik çalışma ile elde edilmektedir.
Çıkış Katmanı; gizli katmandan gelen bilgiyi işler ve giriş katmanına gelen bilgiye uygun olarak üretilen çıktıyı dış dünyaya gönderir. Çıkış katmanındaki düğüm sayısı tahmin edilmeye çalışılan (bağımlı değişkenlerle) değerlerin sayısı kadardır.
TÜRKİYE'YE YÖNENİK YSA MODELLEME
Türkiye'ye günlük saatlik talep tahmin modelleme çalışmasında, birbirlerinden bağımsız iki farklı YSA geliştirilmiştir:
• Günlük ortalama saatlik talep'i tahmin etmek için YSA ve
• Yirmi dört saatlik talep şeklini tahmin etmek için YSA.
Bu sinir ağları birbirinden bağımsız olarak eğitilmektedir.
Günlük ortalama saatlik talep miktarının belirlenmesi amacıyla oluşturulan YSA'da, tahmin edilecek bağımlı değişkeni etkileyen bağımsız değişkenlerin belirlenmesi amacıyla bir parametrik çalışma yapılmıştır. Yapılan parametrik çalışma sonucunda, günlük ortalama saatlik talep miktarını etkileyen bağımsız değişkenler belirlenmiştir. Bu değişkenler zaman içerisinde alınan sonuçlara göre değiştirilerek tahmin sistemi daha da geliştirilmiştir. Bu değişkenler, arasında tarih bilgileri, sıcaklık, gayri-safi yurt-içi hasıla ve sanayi-üretim endeksi gibi elektrik tüketimini etkileyebilecek veriler bulunmaktadır. 24 Saatlik Talep şeklinin belirlenmesi için oluşturulan YSA'da ise bağımsız değişkenler sadece zaman bilgilerinden oluşmaktadır.
Birbirinden bağımsız çalışan her iki ağın sonuçları birleştirilerek, günlük saatlik elektrik talebitahminleri MWs cinsinden elde edilmektedir.
YSA'LARIN EĞİTİLMESİ
YSA'nın eğitilmesi sırasıda kullanılacak 24 saatlik sıcaklık ve talep verileri, önce yazılım tarafından işlenerek günlük ortalama talep ve günlük 24 saatlik şekil) verisine dönüştürülmektedir. Dönüştürülen veriler 0-1 arasında bir değer alacak şekilde normalize edilmektedir. Bu verilern %3'lük kısmı test verisi, %7'lik kısmı da validasyon verisi olarak, seçilmektedir. Seçim işlemi sırasında rasgele sayılar kullanılmaktadır.
Hazırlanan YSA'lar “Backpropagation Net Modeli” kullanılarak eğitilmektedir. Backpropagation geri beslemeli bir öğrenme mekanizması kullanmaktadır. Burada yapay sinir ağının yapısı ileri beslemeli olmasına karşın, ağdaki ağırlıkların geriye doğru ilerleyecek şekilde güncellenmesi sırasında (öğrenme sürecinde) geri besleme söz konusu olmaktadır. Bu öğrenme yöntemine “Danışmalı Öğrenme Stratejisi” adı verilmektedir. Bu yöntemde YSA kullanılmaya başlamadan önce eğitilmektedir. Eğitim sırasında hem girdi değerleri, hem de söz konusu girdiye yönelik gerçekleşen (istenen) çıktı değerleri sisteme verilmektedir. İstenen çıktı ile ağın ürettiği çıktı karşılaştırılarak hata hesabı yapılmakta, bu hata hesabına göre de ağdaki düğümler arasındaki ağırlık değerleri güncellenmektedir. Ağırlık değerleri yakınsadığında, ağ eğitilmiş olmaktadır.
Eğitim sırasında eğitim iterasyon sayısına göre hata miktarının yakınsaması bir görsel grafik üzerinde izlenmektedir. Örnek bir yakınsama grafiki aşağıda gösterilmektedir.
Söz konusu YSA'lar, 1.Ocak.2005 tarihinden sonra gerçekleşen değerler kullanılarak eğitilmiştir. Toplam verilerin %3'ü test, %7'si validasyon amacıyla kullanılmaktadır.
YSA eğitildikten sonra, validasyon verileri ile hata oranlarına bakılmakta, yeterli hata oranları elde edilmesi amaçlanmaktadır. Aşağıda tipik validasyon sonuçları görülmektedir.
Yukarıdaki YSA'larda ayrılan %7'lik validasyon verileri ile yapılan tahminlerde, gerçekleşen ve tahmin değerleri arasında miktar verilerinde ortalama %5'lik, şekil verilerinde de ortalama yaklaşık %6'lık hata olduğu görülmektedir. Bu da iyi bir tahmin performansı anlamına gelmektedir.
Daha sonra YSA'lar test verileri ile test edilmektedir. Test sonuçlarının tatminkâr olması durumunda, YSA tahmin amacıyla kullanılmaktadır. Rastele yöntemle test verisi olarak belirlenmiş 12.Aralık.2011 tarihine ait yapılan tahmin sonucu aşağıda örnek olarak gösterilmektedir.
UZMAN SON İŞLEM MODÜLÜ
Yakın tahminler için hata oranlarının %1-2 seviyelerine indirilebilmesi amacıyla, YSA sonuçlarını son günlerin trenleri yardımıyla düzelten bir uzman modül hazırlanmıştır. Bu uzman modül, yakın geleceğe yönelik sıcaklık tahminleri mevcut bulunduğu sürece kullanılabilmektedir. Bu modül
1) Bir önceki aynı gün türüne,
2) Bir önceki güne,
3) Bir önceki haftanın aynı gün türüne,
4) Bir önceki haftanın normak bir hafta-içi gününe,
5) Bir önceki yılın aynı gününe,
6) Empirik bir veriye (özellikle bayram günleri için),
7) Sıcaklık değerlerine,
göre veya bunların bir birleşimini alarak düzeltme yapabilmektedir. Akıllı arama özelliği, tahminin yapıldığı günler için hangi kombinasyonda bir düzeltmenin en etkin sonucu verdiği otomatik olarak belirleyebilmektedir. Uzman son işlem modülü ile yakın tahminlerdeki hata oranları %1-2 seviyelerine indirilebilmektedir.
SICAKLIK BİLGİLERİ
Türkiye'de gerçekleşen ortalama sıcaklığın belirlenmesi için Türkiye 12 farklı bölgeye bölünmüştür. Bu bölgelerin her birinden belirlenen bir büyük şehrin sıcaklık değerlerinin bölgesel aylık ortalamadan sapmaları nüfus ağırlıklarına göre ortalanarak Türkiye ortalama sıcaklık değeri sapması elde edilmektedir.
ÖRNEK TAHMİN
