Farklı makine öğrenmesi yöntemleri ile enerji piyasasında yerel marjinal fiyat tahmini
Local marginal price forecasting using different machine learning approaches
- Tez No: 824554
- Danışmanlar: PROF. DR. OZAN ERDİNÇ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Tesisleri Bilim Dalı
- Sayfa Sayısı: 104
Özet
Bu yüksek lisans tezi çalışması, Amerika Birleşik Devletleri (ABD) elektrik piyasası sistemine yönelik yerel marjinal fiyat (YMF) tahmini için derin öğrenme ve makine öğrenme yaklaşımının geliştirilmesini ve uygulanmasını amaçlamaktadır. YMF, şebeke içinde belirli konumlardaki elektrik fiyatını ifade eder ve piyasa operasyonları ve karar verme süreçlerinde kritik bir rol oynar. Tez, MISO (Midcontinent Independent System Operator), New England ve PJM (Pennsylvania-New Jersey-Maryland Interconnection) bölgelerinden YMF değerleri de dahil olmak üzere tarihsel verilerin toplanması ve işlenmesini içerir. Tekrarlayan sinir ağları (RNN'ler), Uzun Kısa Dönem Bellek (LSTM), Kapılı Tekrarlayan Birim (GRU) gibi derin öğrenme teknikleri ve makine öğrenme tekniği olan k-ortalamalar (k-Means) kümeleme, tahmin modelini eğitmek için kullanılır. Model, tarihsel veri setinden karmaşık ilişkileri öğrenerek gelecekteki YMF değerlerini tahmin etmektedir. Modelin performansı ve doğruluğunu ölçmek için değerlendirmeler ve kontroller yapılır. Tahmin edilen YMF değerleri ile gerçek piyasa verileri arasında karşılaştırmalar yapılır ve değerlendirme metrikleri kullanılır. Sonuçlar ve bulgular, derin öğrenme yaklaşımının YMF tahmininde etkinliğini göstermektedir. LMP değerlerinin doğru tahminleri, elektrik fiyatı eğilimleri ve dalgalanmaları hakkında değerli bilgiler sağlayarak, enerji şirketlerine, bu konudaki karar vericilere ve düzenleyicilere bilinçli kararlar vermelerinde yardımcı olmaktadır. Araştırmanın etkileri, elektrik piyasasında fiyatlandırma stratejileri, üretim planlaması, talep tepkisi programları ve kaynak tahsisi gibi alanlara uzanmaktadır. Bu çalışma, yapay zeka tabanlı elektrik fiyatı tahmininde derin öğrenme tekniklerinin anlaşılması ve uygulanmasına önemli bir katkı yapmakta olup, MISO, New England ve PJM bölgelerine odaklanmaktadır. Araştırma sonuçları pratik sonuçlara sahiptir ve yapay zeka tabanlı elektrik fiyatı analizinde daha ileri gelişmeler için kapılar açmaktadır.
Özet (Çeviri)
This master's thesis study aims to develop and implement a deep learning and machine learning approach for locational marginal price (LMP) forecasting in the U.S. electricity market system. LMP refers to the electricity price at specific locations within the grid, playing a crucial role in market operations and decision-making. The thesis involves collecting and processing historical data, including LMP values, from the MISO (Midcontinent Independent System Operator), New England ve PJM (Pennsylvania-New Jersey-Maryland Interconnection) regions. Deep learning techniques, such as recurrent neural networks (RNNs), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and machine learning technique k-means clustering, are utilized to train the forecasting model. The model learns complex relationships from the historical dataset to predict future LMP values. Assessments are conducted to measure the model's performance and accuracy. Evaluation metrics are used, and comparisons are made between the forecasted LMP values and actual market data. Statistical techniques may be employed for validation. The results and findings demonstrate the effectiveness of the deep Learning approach in LMP forecasting. Accurate predictions of LMP values provide valuable insights into electricity price trends and fluctuations, aiding utilities, energy traders, and regulators in making informed decisions. The implications of the research extend to pricing strategies, generation planning, demand response programs, and resource allocation in the electricity market. The work contributes to the field of artificial intelligence based electricity price forecasting and has practical implications for grid stability and optimization of power flows. Overall, the master's thesis makes a significant contribution to the understanding and application of machine learning techniques in LMP forecasting within the U.S. electricity market system, with a focus on the MISO, New England and PJM regions. The research outcomes have practical implications and open avenues for further advancements in artificial intelligence based electricity price analysis.
Benzer Tezler
- Modelling and state of charge estimation of lithium-ion batteries
Lityum bazlı batarya hücrelerininmodelleme ve şarj durumu tahmini
MANİ KAZIMI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. METİN GÖKAŞAN
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Dynamic security enhancement of power systems via population based optimization methods integrated with artificial neural networks
Yapay sinir ağlarının entegre edildiği popülasyon tabanlı optimizasyon yöntemleriyle güç sistemlerinin dinamik güvenliğinin iyileştirilmesi
CAVİT FATİH KÜÇÜKTEZCAN
Doktora
İngilizce
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. VEYSEL MURAT İSTEMİHAN GENÇ
- 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
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. ORHAN TORKUL
- Short-term wind power generation forecasting by coupling numerical weather prediction models and machine learning algorithms
Sayısal hava tahmin modeli ve makine öğrenmesi algoritmaları ile kısa dönemli rüzgar enerjisi üretim tahmin modeli oluşturmak
CEM ÖZEN
Doktora
İngilizce
2022
Enerjiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ DENİZ