Geri Dön

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

Elektrik fiyat tahmini için derin öğrenme modellerinin piyasalar arası analizi

PDF İndir

  1. Tez No: 878294
  2. Yazar: ÇAĞATAY BERKE BOZLAK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ CLAUDIA FERNANDA YAŞAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 111

Özet

Elektrik fiyat tahmini, enerji endüstrisinin güvenilir ve maliyet etkin bir şekilde işlemesinde hayati bir faktördür. Ancak, elektrik fiyatlarının karmaşık ve doğrusal olmayan yapısı, enerji yönetimi için zorluklar oluşturmaktadır. Bu sorunu çözmek ve kısa vadeli elektrik fiyatlarını tahmin etmek için, SARIMAX, LSTM ve CNN-LSTM gibi yapay zeka modelleri geliştirilmiştir. Bu modeller, zaman serisi verilerindeki güçlü analiz yetenekleriyle bilinir ve gizli desenlerin keşfedilmesine olanak tanırlar. Bu modellerin doğruluğu, tahmin yöntemlerini karşılaştırmak için Ortalama Mutlak Hata, Kök Ortalama Kare Hata, Ortalama Mutlak Yüzde Hata ve yüzdelik doğruluk oranı gibi istatiksel veriler kullanılarak test edilmiştir. Bunların yanında, Diebold-Mariano testi, iki modelin tahmin hataları arasındaki farkın istatistiksel olarak anlamlı olup olmadığını doğrulamak için kullanılmıştır. Kolektif öğrenme, CNN modelinden en önemli karakteristiklerinin çıkarılması ve LSTM modelinin zaman serilerinde veri bağımlılığını tanımak adına kullanarak, CNN-LSTM modelini optimize etmek ve en iyi sonuç veren modeli otomatik olarak seçmek için kullanılmıştır. Bu çalışma, Türkiye elektrik piyasasında doğal gazın toplam enerji üretimine %22.91 katkı sağlamasından dolayı, doğal gaz fiyatları ile elektrik fiyatları arasındaki ilişkiyi aydınlatır. Ayrıca, Alman piyasasında elektrik fiyat tahmini için bir dışsal değişken olarak elektrik tüketiminin önemini vurgular. Türkiye'deki elektrik fiyatları ve doğal gaz fiyatları için saatlik kayıtları içeren 2018'den 2023'e kadar olan 5 yıllık tarihsel veriler, EPİAŞ Şeffaflık Platformundan sağlanmıştır. Alman elektrik piyasasının 2019, 2020 ve 2021 için elektrik fiyatlarını ve elektrik tüketimini içeren saatlik tarhihsel veriler ise SMARD uygulamasından sağlanmıştır. Bu veriler, modellerin tahmin performansını doğrulamak ve elektrik fiyatları tahmini üzerindeki beklenmedik pandemi etkisini analiz etmek için kullanılmıştır. Sonuçlar, LSTM ve CNN-LSTM modellerinin doğruluk ve basitlik açısından SARIMAX modelinden daha iyi performans gösterdiğini ve CNN-LSTM tekniğinin önemli tahmin avantajlarına sahip olduğunu göstermiştir. Bu çalışmada kullanılan yöntemler, başarılı sonuçları ve otomatik geliştirme yapılarının da gösterdiği gibi, elektrik fiyatlarının tahmininde akıllı optimizasyon potansiyelini ortaya koymaktadır.

Özet (Çeviri)

Electricity price forecasting is a crucial factor for the power industry to operate reliably and cost-effectively. However, the complex and non-linear structure of electricity prices presents challenges for energy management. To tackle this issue, Artificial Intelligence models such as SARIMAX, LSTM, and CNN-LSTM have been developed to predict short-term electricity prices. These models are known for their strong analysis capabilities in time series data, enabling the discovery of hidden patterns. The accuracy of these models was tested using Mean Absolute Error, Root-Mean Squared Error, Mean Absolute Percentage Error, and percentage accuracy, to compare forecasting methodologies. The Diebold-Mariano test was used to confirm the statistical significance of the difference between the forecast errors of the two models. Ensemble learning was used to optimize a CNN-LSTM model, which automatically selects the best model by using CNN to extract valuable characteristics and LSTM to recognize data dependency in time series. This study sheds light on the relationship between natural gas prices and electricity prices in the Turkish electricity market, where natural gas contributes to 22.91% of the total energy generation. Additionally, the study highlights the importance of electrical consumption as an exogenous variable to electricity price forecasting in the German market. The EXIST Transparency Platform provided 5-year historical data, including hourly records for electricity prices and natural gas prices in Turkey from 2018 to 2023. The SMARD application provided hourly historical data from the German electrical market, including electricity prices and electrical consumption for the years 2019, 2020, and 2021. These data were used to validate the models' prediction performance and to analyze the unexpected pandemic effect on forecasting electricity prices. The results showed that the LSTM and CNN-LSTM models outperformed the SARIMAX model in terms of accuracy and simplicity, with the CNN-LSTM technique having significant forecasting advantages. The methods utilized in this study exhibit the potential for intelligent optimization in forecasting electricity prices, as indicated by their successful outcomes and automated development structure.

Benzer Tezler

  1. Tez No

    800231

    Gemi elektrik şebekelerinde derin öğrenme uygulamaları

    Deep learning applications on ship electric grids

    TAYFUN UYANIK

    Doktora

    Türkçe

    Türkçe

    2023

    Deniz Bilimleriİstanbul Teknik Üniversitesi

    Deniz Ulaştırma Mühendisliği Ana Bilim Dalı

    PROF. DR. YASİN ARSLANOĞLU

    PROF. DR. ÖZCAN KALENDERLİ

  2. Tez No

    538638

    Derin öğrenme yöntemleri ile zaman serisi tahmini

    Time series classification with deep learning methods

    HAKAN GÜNDÜZ

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA ÇATALTEPE

  3. Tez No

    667330

    Sentiment analysis for cryptocurrency prices prediction

    Başlık çevirisi yok

    ALI ADNAN AHMED AHMED

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilgi Teknolojileri Ana Bilim Dalı

    PROF. DR. OSMAN NURİ UÇAN

  4. Tez No

    895348

    Sentiment analysis model proposal with deep learning techniques on big data: Portfolio selection with the help of industry indicators

    Büyük veri üzerinde derin öğrenme teknikleri ile duygu analizi model önerisi: Sektör göstergeleri yardımıyla portföy seçimi

    MAHMUT SAMİ SİVRİ

    Doktora

    İngilizce

    İngilizce

    2023

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ALP ÜSTÜNDAĞ

  5. Tez No

    855474

    Finansal serilerin öngörüsünde derin öğrenme ve klasik yöntemlerin karşılaştırılması: BIST100 örneği

    Comparative of deep learning and classical methods in the prediction of financial series: The sample of the BIST100

    RUFAT ABİZADA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    EkonometriMarmara Üniversitesi

    Ekonometri Bilim Dalı

    PROF. DR. SELİN DEVRİM ÖZDEMİR YAZGAN

Geri Dön