Determining the Factors Affecting the Market Clearing Price by Using Multiple Linear Regression Method

Abstract

The aim of this study is to determine the factors affecting the market clearing price by the multiple linear regression method. In order to achieve this goal, hourly data for 2019 were obtained from the website of Energy Exchange Istanbul (EXIST). Due to the multiple linear regression analysis assumptions, only January and June data were included in the analysis. The analysis results show that the variables affecting the market clearing price are statistically determined as the amount of natural gas production, the amount of hydroelectric energy, the amount of energy produced in thermal power plants, and the amount of wind energy (only in January) at the significance level of 0.05. Methods with high specificity coefficient, low mean absolute percentage error (MAPE) and mean absolute deviation are known as the methods that adapt to the data better. In this study, artificial neural network method was used along with the multiple linear regression method in order to determine which prediction model fit the data better. Coefficient of determination (R2), mean absolute percentage error, and mean absolute deviation were used to compare the methods. In this study, it can be concluded that the artificial neural network method is a better predictive than the multiple linear regression method due to its high R2 and low MAPE and the mean absolute deviation values.

Keywords

• Market Clearing Price
• Multiple Linear Regression
• Artificial Neural Networks

References

1. Albayrak, A. S. (2005). Çoklu Doğrusal Bağlantı Halinde En Küçük Kareler Tekniğinin Alternatifi Yanlı Tahmin Teknikleri ve Bir Uygulama. Zonguldak Karaelmas Üniversitesi Sosyal Bilimler Dergisi, 1(1), 105-126.
2. Amjady, N. (2006). Day-ahead price forecasting of electricity markets by a new fuzzy neural network. IEEE Transactions on Power Systems, 21(2), 887-896.
3. Aydın, K. (2010). Türkiye Elektrik Piyasasında Fiyat Değişimlerinin Analizi. Sakarya: Sakarya Üniversitesi Sosyal Bilimler Enstitüsü.
4. Bank, W. (1994). Infrastructure for Development: World Development Report. Oxford University Press.
5. Biçen, Y. (2016). Türkiye Elektrik Enerjisi Piyasası Gelişim Süreci: Gün Öncesi ve Dengeleme Güç Piyasası Özellikleri . Karaelmas Fen ve Mühendislik Dergisi, 6(2), 432-438.
6. Cengiz, S. (2006). Türkiye’nin Elektrik Enerjisi Piyasasında Yeniden Yapılanma. Yönetim Bilimleri Dergisi, 4(1), 125-147.
7. Contreras, J., Espinola, R., Nogales, F. J., & Conejo, A. J. (2003). ARIMA Models to Predict Next-Day Electricity Prices. IEEE Transactions on Power Systems, 18(3), 1014-1020.
8. Çetin, E. (2003). Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama). Ankara: Seçkin Yayıncılık.

9. Çetintaş, H., & Bicil, İ. (2015). Elektrik Piyasalarında Yeniden Yapılanma ve Türkiye Elektrik Piyasasında Yapısal Dönüşüm. Optimum Ekonomi ve Yönetim Bilimleri Dergisi, 2(2), 1-15.
10. Çuhadar, M., Güngör, İ., & Göksu, A. (2009). Turizm Talebinin Yapay Sinir Ağları İle Tahmini ve Zaman Serisi Yöntemleri İle Karşılaştırmalı Analizi: Antalya İline Yönelik Bir Uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi, 14(1), 99-114.
11. Dikbaş, T. (2019). Türkiye Elektrik Piyasasında Fiyat Oluşumunun Analizi, Fiyat Tahmin Modelleri: Türkiye Uygulaması. Denizli: Pamukkale Üniversitesi Fen Bilimleri Enstitüsü.
12. Elmas, Ç. (2003). Yapay Sinir Ağları (Birinci Baskı b.). Ankara: Seçkin Yayıncılık.
13. EPİAŞ. (2016). Enerji Piyasaları İşletme A.Ş. Stratejik Planı, 2016-2020,. https://www.epias.com.tr/. adresinden alındı
14. Ermiş, M. (2005). Lojistik Sistemlerinin Yapay Sinir Ağları İle Modellenmesi, Gerçeklenmesi ve Kontrolü. İstanbul: İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü.
15. Güngör, İ., & Çuhadar, M. (2005). Antalya İline Yönelik Alman Turist Talebinin Yapay Sinir Ağları Yöntemiyle Tahmini,. Ticaret ve Turizm Eğitim Fakültesi Dergisi,, 1(1), 84-98.
16. Gürbüz, S., & Şahin, F. (2017). Sosyal Bilimlerde Araştırma Yöntemleri (4. Baskı b.). Ankara: Seçkin Yayıncılık.
17. Güzeller, C. O. (2016). Herkes için Çok Değişkenli İstatistik. Ankara: Maya Akademi.
18. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis (7. Baskı b.). Prentice Hall.: Englewood Cliffs: .
19. Kalaycı, Ş. (2014). SPSS Uygulamalı Çok Değişkenli İstatistik Teknikleri (6. Baskı b.). Ankara: Asil Yayın Dağıtım.
20. Khare, M., & Nagendra, S. M. (2006). Artificial Neural Networks in Vehicular Pollution Modelling. New York: Sringer-Verlag.
21. Kiernan, D. (2014). Natural Resources Biometrics, Open SUNY Textbooks. State University of New York at Geneseo: Milne Library.
22. Mehrotra, K., Mohan, C., & Ranka, S. (1997). Elements of Artificial Neural Networks. Cambridge, MA, USA: MIT Press.
23. Nabiyyev, V. V. (2003). Yapay Zeka-Problemler, Yöntemler, Algoritmalar. Ankara: Seçkin Yayıncılık.
24. Öztemel, E. (2006). Yapay Sinir Ağları, . İstanbul: Papatya Yayıncılık.
25. Şenocak, F., & Kahveci, H. (2016). Gün Öncesi Piyasasında PTF Dönemsel Ağırlıklı Fiyat Ortalama Tahmini.
26. https://www.emo.org.tr/ekler/f7b2fa56e559dc6_ek.pdf. adresinden alındı
27. Tabachnick, B. G. (2012). Using Multivariate Statistics (6th ed. b.). New York, U.S.A: Pearson Education, Inc.
28. Takma, Ç., Atıl, H., & Aksakal, V. (2012). Çoklu Doğrusal Regresyon Yapay Sinir Ağı Modellerinin Laktasyon Süt Verimlerine Uyum Yeteneklerinin Karşılaştırılması. Kafkas Üniversitesi Veterinerlik Fakültesi Dergisi, 18((6), 941-944.
29. Wang, A. J., & Ramsay, B. (1998). A neural network based estimator for electricity spot-pricing with particular reference to weekend and public holidays,. Neurocomputing, 23, 47–57.
30. Yıldıran, A., & Kandemir, S. Y. (2018). Yağış Miktarının Yapay Sinir Ağları ile Tahmini. BŞEÜ Fen Bilimleri Dergisi, 5(2), 97-104.