Citation Number
1
Views
67
Downloands
12
Bu çalışmada, Türkiye gün öncesi elektrik piyasasında, elektrik enerjisi fiyat tahmini için en uygun tahmin yöntemin belirlenmesi ve seçilen yöntemin gerçek veriler kullanılarak test edilmesi amaçlanmıştır. Elektrik enerjisi fiyatının tahmin edilebilmesi için lineer regresyon, polinomiyal regresyon, yapay sinir ağları, XGBoost analiz yöntemi olmak üzere dört farklı tahmin yöntemi ile Phyton programlama dilinde tahmin modelleri oluşturulmuştur. Modellerin, düşük sapmalar ile tahminlerde bulunabilmeleri, fiyattaki kısa vadeli değişikliklere hızlıca tepki verebilmeleri, çalışma sürelerinin kısa olması hedeflenmiştir. Enerji Piyasaları İşletme (EPİAŞ) Şeffaflık Platformundan elde edilen gerçek veriler ile modellerin eğitilmesi ve test edilmesi gerçekleştirilmiştir. Analiz için kullanılan veriler; gün öncesi saatlik Piyasa Takas Fiyatı (PTF) verileri ve her bir elektrik üretim kaynağı için saatlik üretim verileridir. Kullanılan veriler, 2015-2020 yılları arasını kapsayan saatlik veriler olup yaklaşık 40.000 satırdan oluşan oldukça geniş bir veri kümesidir. Yöntemlerde kullanılan test verileri, homojen dağılım sağlanması için beş yıllık veri içinden rastgele seçilmiştir. Türkiye elektrik enerjisi piyasasının dinamik yapısı göz önünde bulundurularak gerçek değerler ve tahmini değerler hem grafiksel olarak hem de ortalama karesel hata oranları (RMSE) metriği ile dört yöntem için karşılaştırılmıştır. Ayrıca dört tahmin yöntemi, çalışma süreleri bakımından da karşılaştırılmıştır. Hem hata tahmin oranları hem de çalışma süreleri birlikte değerlendirildiğinde XGBoost modelinin en uygun tahmin modeli olduğu görülmüştür. Tutarlı fiyat tahminleri yapmak, hem elektrik üreticilerinin hem de büyük kapasiteli tüketicilerin doğru arz ve talep teklifleri sunmasına ve elektrik fiyatlarının piyasası yapısı içinde hassas bir şekilde belirlenmesine olanak sağlayacaktır.
In this study, it is aimed to determine the most suitable method for electricity price forecasting in the Turkish day ahead electricity market and to test the selected method using real data. In order to forecast the electricity price, forecasting models were created in Python programming language with four different forecasting methods: linear regression, polynomial regression, artificial neural networks, XGBoost analysis method It is aimed that models can make predictions with low deviations, react quickly to short-term changes in price, and have short running times. Models were trained and tested with real data obtained from the Energy Markets Operations (EPİAŞ) Transparency Platform. The data used for analysis is hourly Market Clearing Price (MCP) data and hourly energy production data for each electricity generation source. The data used is hourly data covering the years 2015-2020 and is a large dataset consisting of approximately 40,000 rows. The test data used in the methods were randomly selected from five years of data to ensure a homogeneous distribution. Considering the dynamic structure of the Turkish electricity energy market, actual values and estimated values are compared both graphically and with the mean square error rates (RMSE) metric for four forecasting methods. In addition, the four forecasting methods were compared in terms of running times. When both estimation error rates and running times are evaluated together, XGBoost model was found to be the most appropriate estimation model. Making consistent price estimations will enable both electricity producers and large-capacity consumers to provide accurate supply offers and demand bids and to determine electricity prices precisely within the electricity market structure.
Journal Type : Uluslararası
Article Detail 
Citation Owners
Similar Articles
Download PDF
Journal Information
Listen Paper
Print This Page
Share
Mendeley
