Geri Dön

Forecasting electricity prices in Turkey: A comparison of classical econometrics and machine learning techniques

Türkiye'de gün öncesi elektrik fiyatları tahmini: Klasik ekonometri ve makine öğrenme teknikleri karşılaştırması

PDF İndir

  1. Tez No: 512523
  2. Yazar: YUNUS EMRE KARAGÜLLE
  3. Danışmanlar: PROF. DR. BÜLENT GÜLOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Ekonometri, Ekonomi, Enerji, Econometrics, Economics, Energy
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: İktisat Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 63

Özet

Elektrik piyasalarının serbestleşmesi 1990'lı yıllardan bu yana dünyada yayılmaktadır ve bu süreç birçok ülkede devam etmektedir. Ayrıca serbestleşmenin bir sonucu olarak, piyasalarda perakendeci ve dağıtım şirketlerinin rolü her geçen gün artmaktadır. Diğer ülkelerde olduğu gibi, 2000'lerden önce Türkiye Elektrik Piyasası devlet iktisadi teşebbüsleri tarafından işletilmekteydi. Ancak, Türkiye Cumhuriyeti 2001 yılında piyasaların serbestleştirilmesi için bir elektrik piyasası kanunu çıkarmıştır. Bu doğrultuda, 2001 yılında enerji ticaretini sürdürmek ve rekabetçi bir elektrik piyasasına ulaşmak amacıyla Türkiye Elektrik Ticareti ve Taahhüt A.Ş. (TETAS) kurulmuştur. Daha sonraki yıllarda, Gün Öncesi Piyasa ve Gün İçi Piyasa hayata geçirilmiştir. Serbestleşme sürecinin sonucu olarak, elektrik fiyatları tahmini, rekabetçi alış ve satış teklifleri vererek karlarını maksimize etmek için enerji şirketlerinin karar verme sürecinde önemli bir gereklilik haline gelmiştir. Diğer zaman serilerinin aksine, elektirik fiyatları tahmin edilebilmesi güç, karmaşık ve dinamik bir yapıya sahiptirler. Örneğin, elektriğin en önemli belirleyicilerinden biri taleptir. Talebin de sıcaklıklar ile doğrudan ilişkili olduğu bilinmektedir. Yaz aylarında, elektrik ihtiyacının soğutma ihtiyaçları nedeniyle artması ve kış aylarında ısınma ve aydınlatmaya olan ihtiyaçtan dolayı artması beklenmektedir. Fakat bu talep artışı sıcaklığa ve zamana bağlı olarak değişebilmektedir, sıcaklık her yaz döneminde farklı olabilmektedir. Bunun yanı sıra, elektrik üretiminde kullanılan kaynaklar ve üretim maliyetleri de elektrik fiyatlarını etkileyebilmektedir. Türkiye'de üretilen elektriğin büyük bir kısmı doğalgaz, ithal kömür ve hidrolik kaynaklıdır. Özellikle doğalgaz ve ithal kömür, üretim maliyetini arttırıcı bir unsura sahiptir. Sonuç olarak, elektrik fiyatları genellikle karmaşık ve doğrusal olmayan bir yapıya sahiptir. Elektrik fiyatlarının tahmini için birçok yöntem bulunmaktadır. Bu çalışmada, yapay sinir ağları, zaman serileri ve quantile regresyon yöntemleri kullanılmıştır. Yapay sinir ağlarının, fiyatların doğrusal olmayan etkisini kavrayabilmek için iyi bir tahmin yöntemi olduğu bilinmektedir. Öte yandan, zaman serisi yöntemleri ile fiyatları tahmin etmek ve yorumlamak kolaydır. Son olarak, quantile regresyon koşullu farklı dağılımları yakalamak için yararlı olabilmektedir. Çalışmada kullanılan ilk yöntem, dışsal girdilerle doğrusal olmayan otoregresif ağ (NARX), Levenberg-Marquardt öğrenme algoritması ile kullanılmıştır. NARX Sigmoid Aktivasyon Fonksiyonu ile iki gizli katmanlı ve bir sonuç katmanlı ileri besleme ağıdır. Elektrik yükünün fiyatları etkileyen en önemli faktörlerden biri olduğu bilinmektedir, bu sebeple yük miktarı dışsal girdi olarak modele eklenmiştir. Ayrıca mevsimselliği dikkate almak için günün saati, haftanın günü, yılın mevsimi, tarife kukla değişkenleri ve geçmiş fiyatlar dikkate alınmıştır. Bir sonraki günün fiyatları, çoklu adım yöntemi ve rolling window mekanizmasıyla örneklem dışı verilerde tahmin edilmiştir. Öyle ki, iki yıllık verininin son haftası modele dahil edilmemiştir. Daha sonrasında, bir sonraki günün fiyatları, yani saati temsilen 24 farklı fiyat tek bir model ile tahmin edilmiştir. Daha sonrasında rolling window sistemi uygulanarak, yani örneklem 24 saat arttırılarak bir sonraki günün fiyatları tahmin edilmiştir. Çalışmanın ikinci yöntemi, otoregresif haraketli ortalamalar modeli (ARMA) farklı AR(p) and MA(q) dereceleriyle uygulanmıştır. Zaman serilerinde tahminleme yapabilmek için, serilerin durağan olması gerekmektedir. Bu sebeple, elektrik fiyatlarının durağan olup olmadığını ölçmek için Ng-Perron durağanlık testi uygulanmış ve serinin durağan olduğu sonucuna ulaşılmıştır. Seri düzeyde durağan olduğu için ARMA modeli ile devam edilmiştir. Bir sonraki günün fiyatları, çoklu adım yöntemi ve rolling window mekanizmasıyla örneklem dışı verilerde tahmin edilmiştir. Üçüncü yöntemde ise, dışsal değişkenlerin otoregresif modelin performansını etkileyip etkilemediğini görmek için dışsal değişkenlere sahip ARMA modelleri (ARMAX) uygulanmıştır. ARMA modelinde olduğu gibi, ARMAX modelinde de durağanlık koşulunun sağlanması gerekmektedir. Elektrik fiyatları serisinin Ng-Perron düzeyde durağan olduğu sonucuna ulaşılmıştır. NARX modelinde olduğu gibi, elektrik yükü dışşal değişken olarak modele eklenmiştir. Ayrıca mevsimselliği dikkate almak için günün saati, haftanın günü, geçmiş fiyatlar ve benzeri değişkenler modellerde kullanmıştır. Bir sonraki günün fiyatları, çoklu adım yöntemi ve rolling window mekanizmasıyla örneklem dışı verilerde tahmin edilmiştir. Son olarak quantile regresyon yöntemi uygulanmıştır. Daha önceki modellerde olduğu gibi elektrik yükü dışsal değişken olarak alınmıştır. Ayrıca mevsimsellik etkisini dikkate almak için günün saati, çalışma günü, haftasonu, geçmiş fiyatlar ve benzeri değişkenler modele eklenmiştir. Model farklı yüzdelik dilimler için uygulanmıştır. Diğer yöntemlerde olduğu gibi, bir sonraki günü fiyatları çoklu adım yöntemi ve rolling window mekanizması ile örneklem dışı verilerde tahmin edilmiştir. Farklı kombinasyonları denenen modeller, örneklem dışı veride ortalama mutlak yüzde hata (MAPE) ile karşılaştırılmış ve değerlendirilmiştir. Elde edilen sonuçlara göre, NARX yönetmi ile kurulan Model A, %9.65 MAPE hata oranı ile diğer yöntemlerden daha iyi bir sonuç vermiştir.

Özet (Çeviri)

Liberalization of electricity markets trends has been widening in the world since 1990s and the process is still continuing in many countries. As a result of liberalization, the private retailer and distribution companies role has increased in the markets. Like other countries, government enterprises was operating the Turkish Electricity market before 2000s. However, Turkish Government enacted a electricity market law for deregulation of the market in 2001. Accordingly, Turkish Electricity Trading and Contracting (TETAS) was established in 2001 with the aim of sustaining the energy trade and reach a competitive electricity market. Afterwards, Day-Ahead market and Intra-Day markets are established in the following years. As a result of the liberalization process, forecasting electricity prices has become an important requirement in energy companies' decision-making process to maximize profits by offering competitive bid and ask rates. On the contrary to other time series, electiricity prices have complex structures and dynamic determinants which makes difficult to forecast prices. For examle, one of the determinants of the electricity is demand and it is known that demand is highly related with temperatures. In summer, electricity demand expeced to increase due to cooling needs. However, it may change accordingly with tempetures. Futhermore, electiricty demand is also changing according to hour of the day or day of the week and so on. Another thing is that, generation source and type and the amount may also affect the prices. Consequently, electiricty prices are generally representing complex non-linear structures. There are many methods for forecasting electricity prices. However, artificial neural networks are known to be good forecasting method for covering non-linear effect of the prices. On the other hand, time series methods are easy to forecast and interpret the relationships. Lastly, quantile regressions are capturing the different conditional distributions and may be useful for capturing spkies. Therefore, artificial neural networks, time series and quantile regression is used. First, non-linear autoregressive network with exogenous inputs (NARX) is used with Levenberg-Marquardt learning algorithm. It is a two-layer feedforward network with sigmoid activation function. It is known that load is one of the most important factor affecting the prices, thus it is taken as inputs. Furthermore, to take seasonality in account, hour of the day, day of the week, season of the year, previous prices and other inputs are considered. The next day's prices are forecasted in out-of-sample data with multi-step ahead method and rolling window mechanism. Second, autoressive moving average (ARMA) models with different AR(p) and MA(q) orders are applied. To estimate a model and forecasts series in the model, series should be stationary and stable. Ng-Perron test is applied for testing whether series is stationary. Price series is found to be stationary. Next day's prices are forecasted in out-of-sample data with multi-step ahead method and rolling window mechanism. Furhermore, Optimal (p,q) are chosen after trial and error proces. Thirdly, ARMA models with exogenous variables are applied to see whether exogenous variables are affacting the performance of the autoregressive model. As in the ARMA model, series should be stationary. As in the NARX model, load is taken as inputs. Besides, hour of the day, day of the week and other variables are considered. Next day's prices are forecasted in out-of-sample data with multi-step ahead method and rolling window mechanism. Finally, quantile regression is applied. Different comibations of exogenous variables applied for different quantiles. Next day's prices are forecasted separetly for each quantile with multi-step ahead forecast methods and rolling windows mechanism. All methods with different combinations of the models are evaluted with mean absolute percentage error(MAPE) in out-of-sample data. According to findings, the NARX method outperformed the other models and forecast the electricity prices in TEM with lowest errors.

Benzer Tezler

  1. Tez No

    444195

    Türkiye için 2015 yılı aylık elektrik enerjisi talep tahmini

    For the year of 2015 monthly electricity energy demand forecast for Turkey

    YASEMİN ÖZLİMAN FARIMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    PROF. DR. SERMİN ONAYGİL

  2. Tez No

    476122

    Short term load forecasting in electricity markets in Turkey

    Türkiye elektrik piyasalarında kısa dönem yük ve fiyat tahmini

    ZEYNEP DUYGU TEKLER

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Endüstri ve Endüstri MühendisliğiIşık Üniversitesi

    Mühendislik Bilimleri Ana Bilim Dalı

    YRD. DOÇ. KEMAL SARICA

  3. Tez No

    357142

    Implementing support vector regression method in electricity price forecasting

    Elektrik takas fiyat tahmini için destek vektör regresyon yöntemi uygulaması

    ALIASGHAR KAVIAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MELİH KIRLIDOĞ

    PROF. DR. SENİYE ÜMİT OKTAY FIRAT

  4. Tez No

    806061

    Derin öğrenme teknikleri kullanılarak hisse senedi fiyatlarının tahmin edilmesi: BIST'te bir uygulama

    Forecasting stock prices using deep learning techniques: An application in BIST

    ÖZGÜR SARACIK

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    EkonometriManisa Celal Bayar Üniversitesi

    Ekonometri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AYNUR İNCEKIRIK

  5. Tez No

    863708

    Yapay zeka ve zaman serisi modelleriyle elektrik spot piyasalarında fiyat tahmin uygulaması

    Price forecasting in the electricity spot markets with artificial intelligence and time series models

    İBRAHİM CAN BAŞTÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiDüzce Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUNUS BİÇEN

Geri Dön