Keras kullanarak Türkiye gün öncesi elektrik piyasası piyasa takas fiyatı tahmini
Turkey day-ahead electricity market market - clearing price forecasting by using keras
- Tez No: 556585
- Danışmanlar: PROF. DR. BELGİN TÜRKAY
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Enerji, Electrical and Electronics Engineering, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 113
Özet
Gün öncesi elektrik piyasasında (GÖP) oluşan piyasa takas fiyatının (PTF) tahmini, elektrik sektöründe yaşanan yeniden yapılanma ve dikey ayrıştırma süreci ile birlikte önemli hale gelmiştir. Gün öncesi elektrik piyasasında yapılan alış ve satış işlemlerinin çekirdeğini piyasa takas fiyatı oluşturmaktadır. Bu nedenle gün öncesi elektrik piyasasında oluşan piyasa takas fiyatı, elektrik ticareti yapan piyasa oyuncuları için önemlidir. Alışı ve/veya satışı yapılacak ürün, hizmet veya emtianın fiyatının ne olacağını bilmek; ilgili ticari faaliyeti yürüten kişi veya kuruluşa büyük avantaj sağlayacaktır. Gün öncesi elektrik piyasasında oluşacak olan piyasa takas fiyatının başarılı bir şekilde tahmin edilmesi, piyasa katılımcılarının piyasada izleyecekleri strateji ve oyun planını belirlemeleri için gereklidir. Piyasa oyuncularının karlarını maksimize etmeleri ve ticari faydalarını en üst düzeye çıkarmaları için başarılı piyasa takas fiyatı tahminleri yapmaları gereklidir. Piyasa takas fiyatı tahmin modelleri bu yönüyle piyasa oyuncuları için kilit anahtar role sahiptir. Bu doğrultuda bu çalışmada, EPİAŞ'ın işlettiği Türkiye Gün Öncesi Elektrik Piyasasına ait Saatlik Piyasa Takas Fiyatının tahmin edilebilmesi için bir model geliştirilmiştir. Önerilen model gerçek verileri girdi olarak kullanarak, derin öğrenme kütüphanesi keras ile çalışmaktadır. Derin öğrenme modeline ait optimum mimari belirlenmiştir, derin öğrenme modeline ait parametreler ve modelin tahmin performansı arasındaki ilişki ortaya konulmuştur. Modelde 2018 yılına ait giriş değişkeni verileri ve piyasa takas fiyatı verisi ile derin öğrenme modeli eğitilmiş ve test edilmiştir. 2018 yılına ait 8760 saatin aritmetik ortalama piyasa takas fiyatı % 2.5 MAPE ile tahmin edilmştir. Önerilen modelin tahmin performansının iyileştirilmesine yönelik yorum ve öneriler yapılmıştır. Modelde kullanılan giriş değişkenlerine ait veri kalitesinin artırılması halinde önerilen modelin tahmin performansının artacağı belirtilmiştir. Güneş ve rüzgar santrallerine ilişkin veriler, ilk kez bu çalışmada Türkiye GÖP Saatlik PTF tahmini için giriş değişkeni olarak kullanılmıştır. Derin öğrenme kütüphanesi keras ilk kez bu çalışmada Türkiye GÖP Saatlik PTF tahmini için kullanılmıştır. Bu çalışmada önerilen modelin uygulanabilirliği ve gerçek piyasa koşullarında kullanılabilir olması, önerilen modelde sadece kamuya açık kaynaklardan temin edilen verilerin kullanılması; modelin, ekonomik ve finansal belirsizlik ile fiyat dalgalanmasının yüksek olduğu 2018 yılında gösterdiği % 2.5 MAPE değerine sahip tahmin performansı bu tezde yapılan çalışmanın başarılı olduğunu göstermektedir.
Özet (Çeviri)
Forecasting the market-clearing price on day-ahead electricity market have become crucial due to reorganization and vertical parsing process within electricity industry / market. Market-clearing price is the core element for buying and selling operations in day-ahead electricity market. Therefore, market-clearing price in day-ahead electricity market is significant to market players who deal with electricity trade. Knowing the price of a product, service or commodity will benefit organizations and market players on their commercial activities. Forecasting the market-clearing price on day-ahead electricity market is vital for market players to establish their market strategy and game plans. Market players are highly dependent on accurate price forecasts to maximize their profits. Thus, market-clearing price forecasting models are the key for market players. In this study, a model is developed to forecast the hourly market-clearing price in day-ahead electricity market in Turkey, which is operated by EPIAS. The proposed model, which only uses public data as an input, operates with deep learning library Keras. With this feature, the proposed model in this study can be used by everyone. The success and performance of the proposed model can be tested by everyone. Optimum architecture is defined for the deep learning model. Relationship between the parameters of deep learning model and forecasting performance of the model is exhibited. Input variables used in the model are explained. Deep learning model has been educated and tested by using input variables data and market-clearing price data of 2018. Arithmetic mean of market-clearing price of 8760 hours in 2018, has been forecasted with 2.5% MAPE. The proposed model had the most successful forecasting performance in March with 0.6% MAPE and the lowest forecasting performance in August 8.8% MAPE. The reason for the low performance of forecasting in August is due to the high financial and economic uncertainty and the increase in gas and electricity tariffs. It is exhibited that, hourly market-clearing price of Turkey's day-ahead market would be successfully forecasted with only using public data via deep learning library Keras. Comments and suggestions presented to improve the forecasting performance of the proposed model. Solar and wind power plant data are used in this study as an input variable for hourly market-clearing price forecasting model, which is the first time in Turkey's day-ahead electricity market. Thus, the proposed model in this study has contributed to literature for forecasting Turkey's day-ahead electricity market hourly market-clearing price. Deep learning library Keras has been used first time for the forecasting the hourly market-clearing price of Turkey's day-ahead electricity market. This study shows that deep learning library Keras would successfully be used for forecasting day-ahead electricity market hourly market-clearing price. Price forecasting can be made by creating different scenarios and market conditions with the proposed model. How the possible changes in the variables in the scenario may affect the price can be determined. Weekly, monthly, seasonal and annual price forecasts can be made. The results produced by the proposed model can be used to determine the strategy to be followed in different markets such as bilateral agreement market and futures market. In this respect, the model proposed in this study has a guiding feature for decision makers and market players.
Benzer Tezler
- Short term electrıcıty consumptıon forecastıng usıng long short-term memory cells
Uzun kisa vadeli̇ hafiza ağlari i̇le kisa vadeli̇ elektri̇k tüketi̇m tahmi̇ni̇
ANIL TÜRKÜNOĞLU
Yüksek Lisans
İngilizce
2019
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURAK BARUTÇU
- Electricity consumption forecasting of turkey usingrecurrent neural networks
Tekrarlayan sınır ağlarıyla Türkiyenin elektriktüketim tahmini
FATEMEH GANDOMI TAJRAQ
Yüksek Lisans
İngilizce
2020
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFER BADAY
- Derin öğrenme tabanlı gerçek zamanlı video analiz uygulamaları için dağıtık kenar hesaplama sistemi
Distributed edge computing system for deep learning based real-time video analysis applications
İRFAN KILIÇ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GALİP AYDIN
- Management and control of distributed energy generation systems via artificial intelligence techniques
Dağıtık enerji üretim sistemlerinin yapay zeka teknikleri ile yönetim ve kontrolü
ALPER NABİ AKPOLAT
Doktora
İngilizce
2021
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET EMİN KUZUCUOĞLU
DR. ÖĞR. ÜYESİ ERKAN DURSUN
- Makine öğrenmesi yöntemlerini kullanarak bir petrokimya firmasının hisse senedi fiyat tahmini
Stock price prediction of a petrochemical company using machine learning methods
ŞEVVAL TOPRAK
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLTEKİN ÇAĞIL