Meteorolojik parametreler ile doğal gaz talep tahmini için metasezgisel optimizasyon algoritmalarının karşılaştırmalı analizi

Doğal gaz talep tahmini, özellikle enerji tüketimi yüksek ülke ekonomilerinin karar vericileri ve sanayi sektörü için büyük önem taşımaktadır. Bu çalışma, meteorolojik parametrelere göre Türkiye'nin aylık doğal gaz talep tahmin modelini sunmayı amaçlamaktadır. Çalışmada Yapay Arı Kolonisi Algoritması (ABC), Yüklü Sistem Arama Algoritması (CSS), Karga Arama Algoritması (CSA) ve Harmoni Arama Algoritması (HSA) ile oluşturulan modeller karşılaştırılmıştır. Araştırmada doğrusal (lineer), üstel (exponential) ve ikinci dereceden (quadratic) olmak üzere üç matematiksel model geliştirilmiş ve modellerin performansları altı farklı global hata ölçütleri ile değerlendirilmiştir. Çalışmada meteorolojik verilerden ortalama sıcaklık, basınç, nem, rüzgar ve yağış girdi parametreleri olarak kullanılmıştır. 2010-2017 yılları arasındaki veriler eğitim verileri, 2018-2020 yılları arasındaki veriler ise test verisi olarak uygulanmıştır. Doğal gaz talep tahmini eğitim veri kümesini en başarılı tahmin eden model CSS algoritmasının ikinci dereceden modeliyken, test verilerinde ise CSA algoritmasının ikinci dereceden modelidir. Her üç modelde de en başarılı tahmini yapan model CSA ikinci dereceden model olurken, CSS üstel modeli en başarısız tahmin değeri üreten model olmuştur.

Natural gas demand forecasting is critical, especially for the decision makers of countries with high energy consumption and the industrial sector. This study presents Turkey's monthly natural gas demand forecasting model according to meteorological parameters. In the study, models created with the Artificial Bee Colony Algorithm (ABC), Loaded System Search Algorithm (CSS), Crow Search Algorithm (CSA), and Harmony Search Algorithm (HSA) were compared. Linear, exponential, and quadratic mathematical models were developed in the research. The models' performances were evaluated with six different global error criteria. We used the input parameters such as average temperature, pressure, humidity, wind, and precipitation from meteorological data. The data between 2010-2017 was applied as training data, and the data between 2018- 2020 was applied as test data. While the model that successfully predicts the natural gas demand forecast training dataset is the quadratic model of the CSS algorithm, it is the quadratic model of the CSA algorithm in the test data. In all three models, the model that made the most successful prediction was CSA, the quadratic model, while the CSS exponential model was the model that produced the most unsuccessful predictive value.