Bir gıda işletmesinde enerji talep tahmini
Loading...
Date
2019
Authors
Uygur, Sara
Journal Title
Journal ISSN
Volume Title
Publisher
Bursa Uludağ Üniversitesi
Abstract
Mevsimsel ürün üretimi gerçekleştiren gıda işletmelerinde, mevsim normallerinde meydana gelen değişkenliklere bağlı olarak ürüne olan talebin değişkenlik göstermesi, devlet tarafından yayınlanan üretim kotalarının kestirilememesi gibi birden fazla değişkene bağlı olarak üretim planlaması yapılmaktadır. Tesislerde verimli olarak üretim yapılabilmesi için etkin bir enerji talep tahminine ihtiyaç vardır. Yapılan bu tez çalışmasında ele alınan işletmede, ihtiyaç duyulan elektrik enerjisinin bir kısmı kojenerasyon yöntemiyle işletme bünyesinde üretilmektedir. Bu yetkinlik üretim planlamanın yanı sıra ihtiyaç duyulacak olan enerjinin de tahmin edilmesini gerektirir. Enerji talep tahmininin etkin olarak yapılabilmesi durumunda işletme enerji ihtiyacını dağıtım şirketlerinden temin etmek yerine kendi bünyesinde üreterek tasarruf yapabilecekken, enerji talep tahmininin yapılamaması durumunda ise düzensiz olarak işletme dışarısından enerji temin etme ihtiyacı doğmakta ya da işletmede üretilecek olan fazla enerji israfa neden olmaktadır. Doğru enerji talep tahmini işletme kazançlarını arttırabilecekken, talep tahmininin etkin olmaması işletmeye kayıplar yaşatmaktadır. Bu durum enerji talep tahmininin önemini göstermektedir. Yapılan bu çalışmada mevsimsel ürün üretimi gerçekleştiren gıda işletmesinde günlük verilerle enerji talep tahmini yapılmıştır. Çalışmada önce, enerji tüketim miktarını etkileyen parametreler belirlenmiş ve bu parametrelerin enerji tüketim miktarı ile ilişkisini ortaya çıkarmak için istatistiksel bir yöntem olan kantil regresyon kullanılarak tahmin yapılmıştır. Kantil regresyon modeli yapılan tahminlerde tüm veri setinde iyi bir tahmin edici olmadığı gözlemlenmiştir. Bu nedenle yüksek değişkenliğe sahip verilerin tahmininde sıkça kullanılan yöntemlerden biri olan yapay sinir ağları kullanılarak tahmin modeli geliştirilmiş ve sonuçlar test edilmiştir. Geliştirilen yapay sinir ağları tabanlı enerji tahmin modelinin düşük hatalı sonuçlar verdiği tespit edilmiştir.
In food processing companies that produce seasonal products, production planning is carried out depending on more than one variable, such as the variation in demand for the product due to the variations occurring in seasonal normals, and the inability to estimate production quotas issued by the government. A successful energy demand forecasting is needed in order to optimize the production of energy in the plants. In this study, a part of the required electrical energy is produced by the cogeneration method in the company. This competence requires production planning as well as estimating the energy that will be needed. If the energy demand forecasting can be made more effective, the enterprise will be able to make savings by producing it within its own generators instead of supplying the energy need from the distributor companies. While the more effective and successful energy demand forecasting can increase operating gains, inefficient demand forecasting leads to additional costs for the enterprise. These incomes and expenses balance shows how much the energy demand forecasting is important on the plant. Also, energy demand forecasting is made with daily production and energy consumption data in the mentioned food establishment which produces different foods according to seasons. The parameters that affecting the amount of energy consumption were determined and estimated by quantile regression, which is a statistical method, to determine the relationship between these parameters and the amount of energy consumption. It is observed that the quantile regression model is not a good predictor on the entire data set. Therefore, the new prediction model was developed and tested using artificial neural networks, which is one of the most popular methods that frequently used in the estimator algorithms of data with high variability. It is observed and reported that the developed artificial neural networks-based energy demand prediction model works with quite low error compared to quantile regression model.
In food processing companies that produce seasonal products, production planning is carried out depending on more than one variable, such as the variation in demand for the product due to the variations occurring in seasonal normals, and the inability to estimate production quotas issued by the government. A successful energy demand forecasting is needed in order to optimize the production of energy in the plants. In this study, a part of the required electrical energy is produced by the cogeneration method in the company. This competence requires production planning as well as estimating the energy that will be needed. If the energy demand forecasting can be made more effective, the enterprise will be able to make savings by producing it within its own generators instead of supplying the energy need from the distributor companies. While the more effective and successful energy demand forecasting can increase operating gains, inefficient demand forecasting leads to additional costs for the enterprise. These incomes and expenses balance shows how much the energy demand forecasting is important on the plant. Also, energy demand forecasting is made with daily production and energy consumption data in the mentioned food establishment which produces different foods according to seasons. The parameters that affecting the amount of energy consumption were determined and estimated by quantile regression, which is a statistical method, to determine the relationship between these parameters and the amount of energy consumption. It is observed that the quantile regression model is not a good predictor on the entire data set. Therefore, the new prediction model was developed and tested using artificial neural networks, which is one of the most popular methods that frequently used in the estimator algorithms of data with high variability. It is observed and reported that the developed artificial neural networks-based energy demand prediction model works with quite low error compared to quantile regression model.
Description
Keywords
Günlük enerji tüketimi, Daily energy consumption, Kantil regresyon, Yapay sinir ağları, Quantile regression, Artificial neural networks
Citation
Uygur, S. (2019). Bir gıda işletmesinde enerji talep tahmini. Yayınlanmamış yüksek lisans tezi. Bursa Uludağ Üniversitesi Fen Bilimleri Enstitüsü.