Dynamic pricing based on demand response using machine learning
Makine öğrenenimi kullanılarak talep cevabına dayalı dinamik fiyatlandırma
- Tez No: 947357
- Danışmanlar: DOÇ. MUSTAFA BAYSAL
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 150
Özet
Bu araştırmada amaç, dinamik fiyatlandırma için derin öğrenme yaklaşımını kullanarak arz tarafı yönetim sisteminin performansını veri belirsizliği karşısında incelenmesidir. Pekiştirme aracı olarak aktör-eleştirmen aracı yöntemini kullanılarak, hem enerji talebi hem de fiyatlara ilişkin yüksek düzeyde tahmine dayalı veriler elde edilerek, enerji tüketimi kalıplarının ve fiyat dalgalanmalarının kapsamlı bir şekilde anlaşılması kolaylaştırıldı. Önerilen takviye öğrenmeye dayalı dinamik fiyatlandırma yaklaşımı, iki tahmin senaryosu aracılığıyla değerlendirilmiştir: gerçek ve öngörülen talebin karşılaştırılması ve gerçek ve öngörülen fiyatların karşılaştırılması. İlk olarak, temel tahminler için uzun kısa süreli hafıza (LSTM) modeli kullanıldı. Daha sonra tahminleri iyileştirmek için derin RL modeli uygulandı ve dikkate değer iyileştirmeler sağlandı. Derin RL modelinin 30 dakikalık aralıklarla fiyat tahminlerinde %99'luk kayda değer bir doğruluk oranına ulaşması dikkat çekicidir. Bulgular, önerilen modelin hem talebi hem de fiyatı doğru bir şekilde tahmin etmedeki etkinliğini ve dolayısıyla enerji yönetimi amaçlarına uygunluğunu kesin olarak göstermektedir.
Özet (Çeviri)
This study investigates the performance of a supply-side management system under data uncertainty, employing a deep reinforcement learning approach for dynamic pricing. The Actor-Critic method was adopted to generate predictive insights into energy demand and pricing. The proposed Reinforcement Learning-Based Dynamic Pricing Approach was evaluated across two scenarios: predicting demand and forecasting prices. Initially, a Long Short-Term Memory (LSTM) model was used for baseline predictions, which were further improved using the deep reinforcement learning model
Benzer Tezler
- Envanter tahsisinde arz ve talebin dengelenmesindeki farklı stratejilere yönelik stokastik model yaklaşımı
Stochastic model approach to different strategies for balancing supply and demand in iventory allocation
FURKAN KEMAL DİNÇER
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SAFİYE SENCER
- Origin and destination based demand of continuous pricing for airline revenue management
Havayolu gelir yönetimi için sürekli fiyatlandırma yapısında başlangıç ve varış yerine dayalı talep tahmini
MEHMET MELİH DEĞİRMENCİ
- Cognitive communication techniques for next-generation heterogeneous networks
Gelecek nesil heterojen ağlar için bilişsel iletişim teknikleri
ÖZGÜR ERGÜL
Doktora
İngilizce
2015
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜR BARIŞ AKAN
- Akıllı sayaç kullanımının Türkiye'de konutlarda elektrik tüketimi ve harcamaları üzerindeki etkisinin incelenmesi
Investigation of the effect of smart meters use on electricity consumption and expenditures in residences in Turkey
HÜSEYİN KARAKAŞ
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZCAN KALENDERLİ
- A novel function of research process based on power internet-of-things architecture intended for smart grid demand scheme
Akıllı şebeke talep şeması için güç interneti nesnelerin mimarisine dayalı yeni bir araştırma süreci fonksiyonu
SARMAD WALEED TAHA AL-MASHHADANI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEFER KURNAZ