Abstract
Bu çalışmanın amacı, destek vektör makinelerinde regresyon yöntemini kullanarak Türkiye'deki enerji santrallerinin doğalgaz tüketimi üzerine ön kestirim yapmaktır. Bu amaçla, veri seti 2013-2018 yılları arasında Türkiye Enerji Piyasası Düzenleme Kurumu ve Enerji İşleri Genel Müdürlüğünden elde edilmiştir. Bu çalışmada ilk olarak, Türkiye'de doğalgazın enerji piyasasındaki yeri, birincil enerji kaynakları içindeki payı, üretim, tüketim, ithalat ve ihracat değerleri incelenmiştir. Bu değerlerin ölçümündeki farklılıklardan dolayı, ilgili veri seti istatistiksel analizden önce standartlaştırılmıştır. Enerji santralleri tüketimi bağımlı değişken iken; sanayi tüketimi, şehir tüketimi, üretim, ithalat ve ihracat değerleri bağımsız değişken olarak belirlenmiştir. Destek Vektör Regresyonda kullanılan tüm kernel fonksiyonları (Doğrusal, Polinomiyal, Radyal Tabanlı Fonksiyon (RTF) ve Sigmoid) test edilmiştir. En küçük Hata Kareler Ortalaması (HKO)'na sahip olan RTF tahmin kernel fonksiyonu olarak seçilmiştir. Daha sonra, destek vektörler, ağırlıklar ve karar sabiti belirlenmiştir. Ağırlıklar ve destek vektörler çarpılıp sapma eklenerek, son model elde edilmiştir. Son model yardımıyla da Mayıs-Aralık 2018 için Türkiye'deki enerji santrallerinin doğalgaz tüketimlerine ait önkestirimler yapılmıştır. Sonuçlar ilgili tablolarda gösterilmiştir.
Highlights
The aim of this study is to forecast the natural gas consumptions of power plants in Turkey via support vector machines regression method
İstatistiksel Öğrenme Teorisi günümüzün birçok makine öğrenmesi algoritmalarına teorik alt yapı oluşturur ve yapay zeka konusunun en iyi şekilde geliştirilmiş dallarından biridir. 1960'larda Rusya'da geliştirilmeye başlayan teorem Destek Vektör Makineleri (DVM)'nin tanınmasıyla birlikte büyük bir popülariteye kavuşmuştur
Şekil 4'te (a) en küçük hata kriterleri ile ilgili olan ikinci dereceden kayıp fonksiyonudur, (b) ikinci dereceden kayıp fonksiyonundan ziyade sapmalara daha az duyarlı olan Laplacian tip kayıp fonksiyonu, (c) Veri dağılımı bilinmediğinde en uygun özellikleri içeren kayıp fonksiyonu, (d) ise regresyon problemleri için bağımsız değişkende meydana gelen kötü performansa sahip olan aykırı verilerin var olması ile birlikte tasarlanan model içinde ufak farklılıklara karşın ε duyarsızlık kayıp fonksiyonu tanımlanmıştır [19, 21]
Summary
Insanın düşünme, akıl yürütme, objektif gerçekleri algılama, yargılama ve sonuç çıkarma yeteneklerinin tamamı olarak tanımlanmaktadır [5]. Yapay zeka ise insana özgü bu özelliklerin analiz edilip makinelere kazandırılmasıdır [6]. Makine öğrenmesi algoritmaları kendilerine verilen örnek olayları inceleyerek bu olayların meydana geliş biçimlerinden eğitilir ve bu olaylar üzerinden genelleme yapma yeteneği kazanır. Bu genelleme yeteneğine ağın öğrenmesi denir [7]
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Free) 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
