Renewable energy forecasting and real-time decision-making for reducing prediction error costs in electricity markets using ARIMA, BILSTM and reinforcement learning
ARIMA, BILSTM ve pekiştirmeli öğrenme kullanarak elektrikpiyasalarında tahmin hatası maliyetlerini azaltmaya yönelik yenilenebilir enerji tahmini ve gerçek zamanlı karar verme
- Tez No: 960387
- Danışmanlar: DR. ÖĞR. ÜYESİ HÜSEYİN GÜNHAN ÖZCAN, DR. ÖĞR. ÜYESİ GÖKHAN DEMİRKIRAN
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Energy
- Anahtar Kelimeler: ARIMA modelleri, ARIMA models
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Enerji Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Enerji Sistemleri İşletim ve Teknolojileri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yenilenebilir enerjinin doğru bir şekilde tahmin edilmesi, enerji üreticileri ve piyasa katılımcıları için karar optimizasyonu, kârlılığın artırılması ve finansal risklerin azaltılması açısından büyük önem taşımaktadır. Bu tez kapsamında, enerji üretiminin tahmini için hem istatistiksel hem de derin öğrenme tabanlı yöntemler—özellikle ARIMA ve BiLSTM-XGBoost ensemblleri—kullanılmıştır. Tahminler beş yenilenebilir enerji kaynağına odaklanmıştır: güneş, rüzgar, jeotermal, biyokütle ve barajlı hidroelektrik. Elde edilen sonuçlar, özellikle güneş ve rüzgar gibi karmaşık kaynaklar için, ensemble modelin ARIMA'ya kıyasla belirgin şekilde daha başarılı olduğunu ortaya koymuştur. Tahminin ötesinde, bu çalışma tahmin hatalarının finansal etkilerini de ele almakta; maliyet senaryoları simüle edilerek hidrojen enerji depolama stratejisi bir çözüm olarak önerilmektedir. Simülasyon sonuçları, optimum büyüklükte hidrojen tanklarının hata kaynaklı maliyetleri %98'e kadar azaltabildiğini göstermektedir. Ayrıca, gerçek zamanlı tahmin düzeltmeleri (Kasıtlı Aşırı/Alt Tahmin) gerçekleştirebilen bir pekiştirmeli öğrenme (Reinforcement Learning - RL) algoritması eğitilmiştir. Uygulama sonucunda, RL ajanı gerçek tahmin verileri üzerinde maliyeti %95'in üzerinde azaltarak güçlü bir genelleme yeteneği sergilemiştir. Bu çalışma, hibrit tahmin modellerinin adaptif düzeltme ve enerji depolama planlamasıyla birlikte kullanıldığında, yenilenebilir enerji sistemlerinde hem tahmin doğruluğunu hem de ekonomik dayanıklılığı önemli ölçüde artırabileceğini ortaya koymaktadır.
Özet (Çeviri)
Accurate forecasting of renewable energy is essential for energy producers and market participants to optimize decisions, increase profitability, and reduce financial risk. This thesis applies both statistical and deep learning methods—specifically ARIMA and BiLSTM-XGBoost ensembles—to forecast energy production from five renewable sources: solar, wind, geothermal, biomass, and dammed hydro. The ensemble model notably outperformed ARIMA, especially for complex sources like wind and solar. Beyond forecasting, this research addresses the financial implications of prediction errors by simulating cost scenarios and proposing hydrogen energy storage as a mitigation strategy. Simulation results show that optimal hydrogen tanks can reduce error-related costs by up to 98%. Additionally, a reinforcement learning (RL) algorithm was trained to perform real-time forecast adjustments (Intentionally Over/Under Forecast). When applied, the RL agent reduced cost on real forecast data by over 95%, demonstrating excellent generalization. This study highlights that combining hybrid forecasting models with adaptive correction and storage planning can significantly improve both accuracy and economic resilience in renewable energy systems.
Benzer Tezler
- Türkiye enerji piyasasının makine öğrenmesi uygulamasıyla düşük-karbon salımına geçişte ajan temelli modellenmesi
Turkish energy market agent-based modeling for low-carbon transition with machine learning application
BURAK GÖKÇE
Doktora
Türkçe
2026
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
PROF. DR. GÜLGÜN KAYAKUTLU
- Türkiye elektrik piyasasında istatistiksel yöntem ve makine öğrenmesi algoritmaları kullanılarak kısa vadeli gün öncesi elektrik fiyatı tahmini için hibrit bir yaklaşım
A hybrid approach short-term day-ahead electricity price forecasting in the turkish power market using statistical method and machine learning algorithms
CEMRE NUR GÜNGÖR
Yüksek Lisans
Türkçe
2026
Enerjiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ITIR SATOĞLU
- Mezo-mı̇kro ölçek model kuplesı̇ wrf-les ı̇le yüksek çözünürlüklü rüzgar alanının belı̇rlenmesı̇
High-resolution wind field determination with wrf-les through meso-micro scale model coupling
ERKAN YILMAZ
Doktora
Türkçe
2025
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ŞÜKRAN SİBEL MENTEŞ
PROF. DR. GÖKHAN KİRKİL
- Ana sisteme bağlı bir mikro şebeke için gün içi elektrik piyasasına dayalı çizelgeleme
Energy scheduling for a microgrid connected to the main grid based on real time electricity market
EMRAH ERDEM UFLUOĞLU
Doktora
Türkçe
2018
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLGÜN KAYAKUTLU
- 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
EnerjiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. ORHAN TORKUL