Geri Dön

Applications of time-series methods in electricity price forecasting

Başlık çevirisi mevcut değil.

  1. Tez No: 665392
  2. Yazar: TOYGAR ÜLGEN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ GÖKTÜRK POYRAZOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Enerji, Electrical and Electronics Engineering, Energy
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Özyeğin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 82

Özet

Gün öncesi elektrik fiyatlarının daha yüksek doğrulukta tahmin edilmesi, enerji borsasının piyasa oyuncuları için her zaman yararlıdır. Modeller, üstel tahminleme metotları ve naive işleme kullanılarak COVID-19 öncesi ve boyunca seçilen 12 Avrupa ülkesi için en iyi zaman serisi tahmin yöntemini bulmak için ilk olarak tasarlandı. Daha sonra, diğer ülkeler için en iyi yöntemin hangisi olduğu sorusuna cevap vermek için her ülkenin 33 farklı özelliği bir sınıflandırma yaklaşımını takip eder. Ayrıca, mevsimsel otoregresif entegre hareketli ortalama kullanılarak herhangi bir bağımsız değişken olmaksızın 24 saat tahmin edilir. İstatistiksel tahmin modelinin yanı sıra, her Avrupa ülkesi için uzun-kısa süreli bellek kullanılmaktadır. Elektrik fiyatı tahmininde çoklu doğrusal regresyon kullanıldı. Ortalama mutlak yüzde hatasını azaltmak için farklı tahmin ediciler analiz edilir. Eğitim verileri, Türkiye'deki gün öncesi elektrik piyasasından alınan tarihleri içermektedir. Elektrik fiyat tahmininde önceki bir gün, bir hafta gibi gecikmeli elektrik fiyatları ve gecikmeli hareketli ortalama fiyatların önemli rol oynadığı kanıtlanmıştır. Tahmin modelinde diğer değerli katsayıların yanı sıra doğalgaz, petrol ve kömür fiyatları test edilmektedir. Daha doğru sonuçlar üreten çoklu doğrusal regresyon kullanılarak akaryakıt fiyatlarının hata oranları belirgin şekilde düşürülmüş ve saatlik elektrik fiyatını etkileyen önemli değişkenler belirlenmiştir. Farklı eğitim veri uzunluğu, elektrik fiyatı tahmininde hata oranlarını düşürmenin önemli bir parçasıdır. Ayrıca elektrik fiyatları tahmininde Düzenli ve Dinamik Regresyon modeli ile karşılaştırıldığında hata oranlarında büyük bir fark olmadığı analiz edilmektedir. Modelde daha iyi hata performansı vermesi için Düzenli ve Dinamik İleri Beslemeli Sinir Ağı Yöntemleri kullanılmış ve daha doğru sonuçlar elde edilmiştir.

Özet (Çeviri)

The prediction of day-ahead electricity prices with higher accuracy is always helpful for the market players of the power exchange. Models were designed in the first place to find out the best time-series estimation method for the selected 12 European countries before and during COVID-19 using exponential smoothing family and Naïve processing. The classification approach is followed by 33 different features of each country to answer the question of the best method for other countries. Also, 24 hours are estimated without any independent variables using seasonal autoregressive integrated moving average. Apart from the statistical forecasting model, long-short term memory is used for each European country. The multiple linear regression is used on electricity price forecasting. Different predictors are analyzed to reduce the mean absolute percentage error. The training data includes the dates from the day-ahead electricity market in Turkey. It is proved that the lagged electricity prices such as previous one day, one week, and lagged moving average prices play a key role in electricity price estimation. Aside from other valuable coefficients, natural gas, oil, and coal prices are tested in the forecasting model. The error rates of the fuel prices are noticeably decreased by using multiple linear regression that generates more accurate results and crucial variables influencing hourly electricity price have been determined. Different training data length is an essential part of decreasing the error proportions in the electricity price estimation. Also, it is analyzed that there is no big difference regarding the error rates if it is compared to the Regular and Dynamic Regression models in the forecast of electricity prices. Regular and Dynamic Feedforward Neural Network Methods were utilized for the model to give better error performance and more accurate results were obtained.

Benzer Tezler

  1. Short term electricity load forecasting with deep learning

    Derin öğrenme ile kısa dönemli elektrik yük talep tahmini

    İBRAHİM YAZICI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  2. Elektrik talebinin zaman serisi analizi, yapay sinir ağları ve hibrit yöntem ile tahmini

    Estimation of electricity demand with time series analysis, artificial neural networks, and a hybrid method

    SAVAŞ TARKUN

    Doktora

    Türkçe

    Türkçe

    2023

    EkonometriBursa Uludağ Üniversitesi

    Ekonometri Ana Bilim Dalı

    PROF. DR. ERKAN IŞIĞIÇOK

  3. Elektrikli araçların kullanımına yönelik yük tahmini ve karar destek sistemi

    Load forecasting and decision support system for electric vehicles use

    HATİCE MENEKŞE KÖSEMEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. ORHAN TORKUL

  4. Cross-market analysis of deep learning models for electricity price forecasting

    Elektrik fiyat tahmini için derin öğrenme modellerinin piyasalar arası analizi

    ÇAĞATAY BERKE BOZLAK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ CLAUDIA FERNANDA YAŞAR

  5. A comparatıve analysıs of LSTM and XGBoost methods for day ahead electrıcıty prıce forecastıng

    Gün öncesi elektrik fiyatı öngörüsü için LSTM ve XGBoost yöntemlerinin karşılaştırmalı analizi

    CAHİT URAL KÜKNER

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    PROF. DR. AHMET DURMAYAZ