Yapay Sinir Ağları ile Piyasa Takas Fiyatı Tahminlemesi

Öz

Türkiye Elektrik Piyasası geçmişten günümüze kadar birçok süreç değişikliğine uğramıştır. Bu değişimler sonucunda elektrik piyasası saatlik oluşan enerjiyi bu alandaki paydaşlarına, serbest tüketici sözleşmelerine ilaveten ertesi gün için enerji satış ve alış yapma durumu sağlayarak, paydaşların kendi durumlarını stabil durumda tutmaları adına takip ettiği bir yöntem kurulmuştur. Bu sisteme Gün Öncesi Piyasası (GÖP) denilmektedir ve burada belirlenen fiyata da Piyasa Takas Fiyatı (PTF) denilmektedir. Bu çalışmada yapay zekânın alt dallarından biri olan yapay sinir ağları ile piyasa takas fiyatı tahmini yapılmıştır. Projede bağımsız parametre olarak 10 adet özellik kullanılmıştır. Sinir ağlarında farklı modeller oluşturulmuş ve en iyi sonuç araştırılmıştır. Farklı modellerde farklı ara katmanlar kullanılmıştır. Doğruluk kıstası olarak da MPE kullanılmış ve 0.10 değeri elde edilmiştir.

Anahtar Kelimeler

• Yapay Sinir Ağları
• PTF
• Regresyon
• Enerji Tüketimi
• Fiyat Tahmini

Market Clearing Price Prediction With Artificial Neural Networks

Öz

Turkey Electricity Market has undergone many changes to the present process in the past. As a result of these changes, the electricity market has created a method that the hourly energy is followed by the stakeholders in this field in order to keep their own status stable by providing energy sales and purchases for the next day in addition to the free consumer contracts. This system is called Pre Day Market (PDM) and the price determined here is called Market Clearing Price (MCP). In this study, the market clearing price estimation was made with artificial neural networks, one of the sub-branches of artificial intelligence. In the project, 10 features were used as independent parameters. Different models have been created in neural networks and the best result has been investigated. Different intermediate layers are used in different models. MPE was used as the criterion of accuracy and 0.10 was obtained.

Anahtar Kelimeler

• artificial neural network
• market clearing price(MCP)
• regression
• energy consumption
• price-prediction

Kaynakça

1. [1] Dalgın A. 2017. Türkiye Gün Öncesi Piyasası Elektrik Fiyat Tahmini, İstanbul Teknik Üniversitesi, Enerji Bilim ve Teknoloji Anabilim Dalı, Yüksek Lisans Tezi, İstanbul.
2. [2] Pençe İ. , Kalkan A. ,Çeşmeli M.2019. Türkiye Sanayi Elektrik Enerjisi Tüketiminin 2017-2023 dönemi için Yapay Sinir Ağları ile Tahmini. DOI: 10.31200/makuubd.538878.
3. [3] Karacan H. ,Karacan C. 2016. Çoklu Regresyon Metoduyla Elektrik Tüketim Talebini Etkileyen Faktörlerin İncelenmesi. DOI: 10.15317/Scitech.2016320514.
4. [4] Gümüş V. , Şimşek O. ,Soyda N. , Aköz M., Yenigün K. 2016. Adana istasyonunda buharlaşmanın farklı yapay zekâ yöntemleri ile tahmini. VIII. Ulusal Hidroloji Kongresi – 2015. 310-318.
5. [5] Sinecan M., Kaya B. ,Yıldız Ö. 2017. Aydın İlinde İnsan Sağlığını Birincil Dereceden Etkileyen Hava Değişkenlerine Yönelik Yapay Sinir Ağı Tabanlı Erken Uyarı Modeli . DOI: 10.29109/http-gujsc-gazi-edu-tr.304938.
6. [6] Yıldırım D. ,Cemek B. ,Küçüktopçu E. 2019. Bulanık Yapay Sinir Ağları ve Çok Katmanlı Yapay Sinir Ağları ile Günlük Buharlaşma Tahmini. Toprak Su Dergisi-2019. 24-31.
7. [7] O.Gök, C. Yıldız, M. Şekkeli, Yapay Sinir Ağları Kullanarak Kısa Dönem Güneş Enerjisi Santrali Üretim Tahmini: Kahramanmaraş Örnek Çalışması, 2019.
8. [8] Es A. ,Kalender F. , Hamzaçebi C. 2014. Yapay Sinir Ağları ile Türkiye Net Enerji Talep Tahmini. Gazi Üniv. Müh. Mim. Fak. Der. Cilt 29, No 3, 495-504, 2014.

9. [9] Kocadayı Y. ,Erkaymaz O. ,Uzun R. 2017. Yapay Sinir Ağları ile Tr81 Bölgesi Yıllık Elektrik Enerjisi Tüketiminin Tahmini. ISSN: 2587-0742. Bilge International Journal of Science and Technology Research 2017, 1(Special Issue)): 59-64.
10. [10] Toker C. ,Korkmaz O. 2012.Türkiye Kısa Süreli Elektrik Talebinin Saatlik Olarak Tahmin Edilmesi.
11. [11] Başoğlu B. ,Bulut M. 2016. Kısa dönem elektrik talep tahminleri için yapay sinir ağları ve uzman sistemler tabanlı hibrit sistem geliştirilmesi. Journal of the Faculty of Engineering and Architecture of Gazi University 32:2 (2017) 575-583.
12. [12] Çayır A. ,Yenidoğan I. ,Dağ H. 2018. Konutların Günlük Elektrik Güç Tüketimi Tahmini İçin Uygun Model Seçimi. Fırat Üniv. Müh. Bil. Dergisi 30(3), 15-21, 2018.
13. [13] Şeker A. ,Diri B. ,Balık H. 2017. Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme. ISSN: 2149-4916. Gazi Mühendislik Bilimleri Dergisi 3 (3). (2017) 47-64.
14. [14] Şenocak F. ,Kahveci H. 2016. Gün Öncesi Piyasasında PTF Dönemsel Ağırlıklı Fiyat Ortalama Tahmini.
15. [15] Çayıroğlu İ. İleri Algoritma Analizi. http://www.ibrahimcayiroglu.com/dokumanlar/ilerialgoritmaanalizi/ilerialgoritmaanalizi-5.hafta-yapaysiniraglari.pdf ( Erişim Tarihi: 18.05.2020).
16. [16] Hamzaçebi C. ,Kutay F. 2004. Yapay Sinir Ağları İle Türkiye Elektrik Enerjisi Tüketimini 2010 Yılına Kadar Tahmini. Gazi Üniv. Müh. Mim. Fak. Der. Cilt 19, No 3, 227-233, 2004.
17. [17] Ekinci F. 2019. Ysa ve Anfis Tekniklerine Dayalı Enerji Tüketim Tahmin Yöntemlerinin Karşılaştırılması. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 7 (2019) 1029-1044.
18. [18] Çevik H. 2013. Türkiye’nin Kısa Dönem Elektrik Yük Tahmini. Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, Konya.
19. [19] Bicil İ. 2015. Elektrik Piyasasında Fiyatlandırma ve Türkiye Elektrik Piyasası Fiyat Tahmini. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü İktisat Anabilim Dalı, Doktora Tezi, Balıkesir.
20. [20] Öksüz S. 2019. Yapay Sinir Ağları ile Denizli İli Mesken Aboneleri Elektrik Tüketim Tahmini. Pamukkale Üniversitesi, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalı, Yüksek Lisans Tezi, Denizli.
21. [21] Gök A. ,Yıldız C. ,Şekkeli M. 2019. Yapay Sinir Ağları Kullanarak Kısa Dönem Güneş Enerjisi Santrali Üretim Tahmini: Kahramanmaraş Örnek Çalışması. Uluslararası Doğu Anadolu Fen Mühendislik ve Tasarım Dergisi ISSN: 2667-8764 , 1(2), 186-195 , 2019
22. [22] Çam S. ,Kılı. S. 2018. Altın Fiyatı Günlük Getirilerinin Yapay Sinir Ağları Algoritması ve Markov Zincirleri Modelleri ile Tahmini. DOI: 10.18092/ulikidince.347048 . UİİİD-IJEAS, 2018 (18. EYİ Özel Sayısı):681-694 ISSN 1307-9832
23. [23] Ünal S. ,Çınarer G., Karaman İ. ,Yurttakal A. 2016 . Yapay Sinir Ağları Yönetimi ile Burs Analizi. EEB 2016 Elektrik-Elektronik Ve Bilgisayar Sempozyumu 11-13 Mayıs 2016.
24. [24] Boltürk E. 2013. Elektrik Talebi Tahmininde Kullanılan Yöntemlerin Karşılaştırılması. İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Programı, Yüksek Lisans Tezi, İstanbul.
25. [25] Şenol Ü. , Musayev Z. 2017. Rüzgâr Enerjisinden Elektrik Üretiminin Yapay Sinir Ağları İle Tahmini. Bilge Uluslararası Fen ve Teknoloji Araştırmaları Dergisi 1(1), 23-31, 2017
26. [26] Biçer A. 2018. Enerji Talep Tahminine Yönelik Program Geliştirme ve Bir Bölge İçin Uygulaması. Afyon Kocatepe Üniversitesi Fen Bilimleri Enstitüsü, Elektrik Mühendisliği, Yenilebilir Enerji Sistemleri Anabilim Dalı. Yüksek Lisans Tezi. Afyon.
27. [27] Aslan Y. ,Yaşar C. , Nalbant A, 2003. Kütahya İlinin Yapay Sinir Ağları Kullanılarak Elektrik Puant Yük Tahmini . D:P:Ü Fen Bilimleri Enstitüsü Dergisi 11.Sayı , ISSN-1302-3055
28. [28] Özden S. , Öztürk A. 2018. Yapay Sinir Ağları ve Zaman Serileri Yöntemi ile Bir Endüstri Alanının (İvedik OSB) Elektrik Enerjisi İhtiyaç Tahmini. DOI: 10.17671/gazibtd.404250. Bilişim Teknolojileri Dergisi, Cilt: 11, Sayı: 3, Temmuz 2018
29. [29] Kılıç E. , Özbalcı Ü. , Özçalık H. 2012. Lineer Olmayan Dinamik Sistemlerin Yapay Sinir Ağları ile Modellenmesinde MLP ve RBF Yapılarının Karşılaştırılması. ELECO '2012 Elektrik - Elektronik ve Bilgisayar Mühendisliği Sempozyumu, 29 Kasım - 01 Aralık 2012.
30. [30] Pınarbaşı M. 2009. Elektrik Enerji Sistemlerinde Talep Tahmin Yöntemleri ve Yapay Sinir Ağları Uygulaması. İstanbul Üniversitesi Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Anabilim Dalı, Yüksek Lisans Tezi, İstanbul.
31. [31] Cantürk S. 2018. Bir Rüzgâr Çiftliğinden Yapay Sinir Ağlarıyla Kısa Süreli Elektrik Üretim Tahmini. Hacettepe Üniversitesi Temiz-Tükenmez Enerjiler Anabilim Dalı, Yüksek Lisans Tezi, Ankara
32. [32] Makas Y. 2016. Yapay Sinir Ağlarıyla Hidroelektrik Enerji Üretiminin Çok Dönemli Tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi 2016, C.21, S.3, s.757-772.
33. [33] Çarkacı N. 2017. Derin Öğrenme Uygulamalarında Temel Kavramlar. https://www.linkedin.com/pulse/derin-%C3%B6%C4%9Frenme-uygulamalar%C4%B1nda-temel-kavramlar-skor-ve-%C3%A7arkac%C4%B1 ( Erişim Tarihi: 18.05.2020).
34. [34] Veri Seti: PTF https://seffaflik.epias.com.tr/transparency/piyasalar/gop/ptf.xhtml ( Erişim Tarihi: 18.05.2020).
35. [35] Veri Seti: GRF https://seffaflik.epias.com.tr/transparency/dogalgaz/stp/stp-grf.xhtml ( Erişim Tarihi: 18.05.2020).
36. [36] Veri Seti: Toplam Üretim https://seffaflik.epias.com.tr/transparency/uretim/gerceklesen-uretim/gercek-zamanli-uretim.xhtml ( Erişim Tarihi: 18.05.2020).
37. [37] Veri Seti: Toplam Tüketim https://seffaflik.epias.com.tr/transparency/tuketim/gerceklesen-tuketim/gercek-zamanli-tuketim.xhtml ( Erişim Tarihi: 18.05.2020).