Spot elektrik fiyatlarının derin öğrenme teknikleri ile tahmini: Türkiye Enerji Borsası üzerine bir uygulama
Forecasting spot electricity prices by deep learning techniques: An application on Turkish Energy Exchange
- Tez No: 692083
- Danışmanlar: PROF. DR. TUĞRUL KANDEMİR
- Tez Türü: Doktora
- Konular: İşletme, Enerji, Business Administration, Energy
- Anahtar Kelimeler: Elektrik Fiyat Tahmini, Gün Öncesi Piyasası, Piyasa Takas Fiyatı, Derin Öğrenme, EPİAŞ, Elektrik, Enerji fiyatları, Fiyat, Fiyatlandırma, Piyasa oluşumu, Electricity Price Forecast, Day Ahead Market, Market Clearing Price, Deep Learning, EPİAŞ, Electricity, Energy prices, Price, Pricing, Market formation
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Afyon Kocatepe Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: İşletme Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Türkiye elektrik piyasası, reform ve deregülasyon hareketleri ile dikey bütünleşik yapıdan rekabetin olduğu bir piyasa formuna dönüşmüştür. Bu durumun bir getirisi olarak, Mart 2015'te Enerji Piyasaları İşletme A.Ş. (EPİAŞ) kurulmuştur. EPİAŞ bünyesinde, fiziki elektrik ticaretinin yapılabildiği Gün Öncesi Piyasası ve Gün İçi Piyasası işletilmektedir. Gün Öncesi Piyasası ve Gün İçi Piyasası, elektrik enerjisi spot piyasalarını oluşturmaktır. Gün Öncesi Piyasası, piyasa katılımcıları için ikili anlaşmalara ilave olarak ticaret imkânı sunmakta ve gerçek zamandan bir gün öncesinde piyasa dengesine önemli bir katkı sağlamaktadır. Gün Öncesi Piyasası'nda oluşan Piyasa Takas Fiyatı elektrik enerjisi referans fiyatı olarak nitelendirilmektedir. Bu anlamda, Gün Öncesi Piyasası'nda her bir saat için bir Piyasa Takas Fiyatı belirlenmektedir. Gün Öncesi Piyasası'nda oluşan saatlik Piyasa Takas Fiyatının önceden tahmin edilmesi piyasa katılımcılarının teklif stratejileri geliştirebilmeleri ve üretim/tedarik planlaması yapmaları açısından önem arz etmektedir. Bu çalışmada, Türkiye Enerji Borsası EPİAŞ'ın bünyesinde işletilmekte olan Gün Öncesi Piyasası'nda gerçekleşen saatlik Piyasa Takas Fiyatının tahmin edilmesi amaçlanmıştır. Bu doğrultuda, derin öğrenme teknikleri olan Çok Katmanlı Algılayıcılar (MLP), Evrişimli Sinir Ağları (CNN), Uzun Kısa Dönem Hafıza (LSTM) ve Kapılı Tekrarlayan Birim (GRU) modelleri ile 24 saat ve 168 saat ilerisi için tahminler gerçekleştirilmiştir. Tahmin sonuçlarına göre, 24 saat ilerisi için yapılan tahminlerde MLP, CNN, LSTM ve GRU modelleri ile sırasıyla ortalama 8,44, 9,27, 8,15 ve 8,72 MAPE değerleri elde edilmiştir. 168 saat ilerisi için yapılan tahminlerde ise, MLP, CNN ve GRU modelleri ile elde edilen tahminlerin ortalama MAPE değerleri sırasıyla 10,60, 10,13 ve 9,58 olmuştur.
Özet (Çeviri)
Turkish electricity market has transformed from a vertically integrated structure to a competitive market with reforms and deregulations. As a result of this, in March 2015, Energy Markets Operations Inc. (EPİAŞ) was established. Within EPİAŞ, Day-Ahead Market and Intra-Day Market, where physical electricity trade is made, are operated. The Day-Ahead Market and the Intraday Market are the spot markets of electricity. The Day Ahead Market offers trading opportunities for market participants in addition to bilateral agreements and makes a significant contribution to the market balance one day ahead of the real time. The Market Clearing Price formed in the Day Ahead Market is defined as the reference price of electrical energy. In this sense, for each hour a Market Clearing Price is determined in the Day Ahead Market. Forecasting the hourly Market Clearing Price is important for market participants to develop bid strategies and to plan production/supply programs. In this study, it is aimed to forecast hourly Market Clearing Price realized in the Day Ahead Market, which is operated by Turkish Energy Exchange EPİAŞ. In this direction, forecastings for 24 hours and 168 hours ahead are made by Multilayer Perceptrons (MLP), Convolutional Neural Networks (CNN), Long Short Term Memory (LSTM) and Gated Recurrent Unit (GRU) models, The findings show that for 24 hours ahead forecasting MLP, CNN, LSTM and GRU models create 8,44, 9,27, 8,15 and 8,72 average MAPE values, respectively. And, for the 168 hours ahead forecasting, the average MAPE values obtained by MLP, CNN and GRU models are 10,60, 10,13 and 9,58, respectively.
Benzer Tezler
- Bazı bitkisel boyarmaddeler ile yün liflerinin boyanması yöntemlerinin ve haslıklarının araştırılması
Başlık çevirisi yok
TÜLAY GÜLÜMSER
Yüksek Lisans
Türkçe
1986
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. NECDET SEVENTEKİN
- Liyofilize yoğurt kültürü eldesi ve muhafazası üzerine araştırmalar
Başlık çevirisi yok
MELEK FOTOCAN
Yüksek Lisans
Türkçe
1986
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA METİN
- S.S. Çiçek yetiştirme ve satış kooperatifi İzmir mezatında aylara göre piyasaya arzedilen süs bitkileri cinsleri ve toptan fiyatlarının 1984-1985 kış sezonu (Kasım-Mayıs) içerisindeki değişimi
Başlık çevirisi yok
TANAY BİRİŞÇİ
Yüksek Lisans
Türkçe
1986
Peyzaj MimarlığıEge ÜniversitesiPeyzaj Mimarlığı Ana Bilim Dalı
DOÇ. DR. ADNAN HATİPOĞLU
- Kiraz, vişne, idris ve erik tohumlarının çimlenmeleri üzerine değişik katlama sürelerinin etkileri
Başlık çevirisi yok
YASEMİN ÖZTUNÇ
Yüksek Lisans
Türkçe
1986
ZiraatEge ÜniversitesiBahçe Bitkileri Ana Bilim Dalı
PROF. DR. RAHMİ ÖZÇAĞIRAN
- Soya fasulyelerinin ısı ile tedavi edilerek Soybean mosaic virus'tan arındırılması
Inactivation of Soybean mosaic virus by heat treatment on soybean cultivars
SEVGİ ÖZCAN ERDİMAN