Gün Öncesi Piyasasında Elektrik Enerjisi Fiyatının Veri Analizi İle Tahmin Edilmesi

Öz

Bu çalışmada, Türkiye gün öncesi elektrik piyasasında, elektrik enerjisi fiyat tahmini için en uygun tahmin yöntemin belirlenmesi ve seçilen yöntemin gerçek veriler kullanılarak test edilmesi amaçlanmıştır. Elektrik enerjisi fiyatının tahmin edilebilmesi için lineer regresyon, polinomiyal regresyon, yapay sinir ağları, XGBoost analiz yöntemi olmak üzere dört farklı tahmin yöntemi ile Phyton programlama dilinde tahmin modelleri oluşturulmuştur. Modellerin, düşük sapmalar ile tahminlerde bulunabilmeleri, fiyattaki kısa vadeli değişikliklere hızlıca tepki verebilmeleri, çalışma sürelerinin kısa olması hedeflenmiştir. Enerji Piyasaları İşletme (EPİAŞ) Şeffaflık Platformundan elde edilen gerçek veriler ile modellerin eğitilmesi ve test edilmesi gerçekleştirilmiştir. Analiz için kullanılan veriler; gün öncesi saatlik Piyasa Takas Fiyatı (PTF) verileri ve her bir elektrik üretim kaynağı için saatlik üretim verileridir. Kullanılan veriler, 2015-2020 yılları arasını kapsayan saatlik veriler olup yaklaşık 40.000 satırdan oluşan oldukça geniş bir veri kümesidir. Yöntemlerde kullanılan test verileri, homojen dağılım sağlanması için beş yıllık veri içinden rastgele seçilmiştir. Türkiye elektrik enerjisi piyasasının dinamik yapısı göz önünde bulundurularak gerçek değerler ve tahmini değerler hem grafiksel olarak hem de ortalama karesel hata oranları (RMSE) metriği ile dört yöntem için karşılaştırılmıştır. Ayrıca dört tahmin yöntemi, çalışma süreleri bakımından da karşılaştırılmıştır. Hem hata tahmin oranları hem de çalışma süreleri birlikte değerlendirildiğinde XGBoost modelinin en uygun tahmin modeli olduğu görülmüştür. Tutarlı fiyat tahminleri yapmak, hem elektrik üreticilerinin hem de büyük kapasiteli tüketicilerin doğru arz ve talep teklifleri sunmasına ve elektrik fiyatlarının piyasası yapısı içinde hassas bir şekilde belirlenmesine olanak sağlayacaktır.

Anahtar Kelimeler

• Elektrik fiyat tahmini
• piyasa takas fiyatı
• gün öncesi elektrik piyasası
• lineer regresyon
• yapay sinir ağları
• XGBoost yöntemi

Forecasting the Day Ahead Electricity Energy Price By Using Data Analysis Methods

Öz

In this study, it is aimed to determine the most suitable method for electricity price forecasting in the Turkish day ahead electricity market and to test the selected method using real data. In order to forecast the electricity price, forecasting models were created in Python programming language with four different forecasting methods: linear regression, polynomial regression, artificial neural networks, XGBoost analysis method It is aimed that models can make predictions with low deviations, react quickly to short-term changes in price, and have short running times. Models were trained and tested with real data obtained from the Energy Markets Operations (EPİAŞ) Transparency Platform. The data used for analysis is hourly Market Clearing Price (MCP) data and hourly energy production data for each electricity generation source. The data used is hourly data covering the years 2015-2020 and is a large dataset consisting of approximately 40,000 rows. The test data used in the methods were randomly selected from five years of data to ensure a homogeneous distribution. Considering the dynamic structure of the Turkish electricity energy market, actual values and estimated values are compared both graphically and with the mean square error rates (RMSE) metric for four forecasting methods. In addition, the four forecasting methods were compared in terms of running times. When both estimation error rates and running times are evaluated together, XGBoost model was found to be the most appropriate estimation model. Making consistent price estimations will enable both electricity producers and large-capacity consumers to provide accurate supply offers and demand bids and to determine electricity prices precisely within the electricity market structure.

Anahtar Kelimeler

• Electricity price forecasting
• market clearing price
• day ahead electricity market
• linear regression
• artificial neural networks
• extreme gradient boosting
• Elektrik fiyat tahmini
• piyasa takas fiyatı
• gün öncesi elektrik piyasası
• lineer regresyon
• yapay sinir ağları
• XGBoost yöntemi

Kaynakça

1. Albayrak AS, Yilmaz SK, 2009. Veri Madenciliği: Karar Ağacı Algoritmaları ve İMKB Verileri Üzerine Bir Uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilim. Fakültesi Dergisi, 14, 31–52.
2. Anbazhagan S, Kumarappan N, Neelen S, 2012. Electricity Price Forecasting in an Ontario Power Market Using Artificial Neural Network. First Int. Conf. on Computation of Power, Energy, Information and Communication, April 2012,India.
3. Aydın C, 2018. Makine Öğrenmesi Algoritmaları Kullanılarak İtfaiye İstasyonu İhtiyacının Sınıflandırılması. Eur. J. Sci. Technol., 14, 169-175.
4. Balcı H, Esener I, Kurban M, 2012.Regresyon Analizi Kullanılarak Kısa Dönem Yük Tahmini. Electr. Electron. Comput. Eng. Symp. ELECO, Bursa, 29 Kasım-01 Aralık 2012, pp. 796-801.
5. Catalão JPS, Mariano JPS, Mendes VMF, Ferreira LAFM, 2007. Short-term electricity prices forecasting in a competitive market: A neural network approach. Electr. Power Syst. Res., 77(10): 1297-1304.
6. Chen T, Guestrin C, 2016. XGBoost : A Scalable Tree Boosting System. Proceedings of the 22nd international conference on knowledge discovery and data mining, August 13-17, 2016, San Francisco, 785–794.
7. Maryasin OY, Lukashov AI, 2020. A Python Application for Hourly Electricity Prices Forecasting Using Neural Networks,2020 International Russian Automation Conference (RusAutoCon), 6-12 September 2020, Sochi, pp:138–143.
8. Nargale KK, Patil SB, 2016. Day ahead price forecasting in deregulated electricity market using Artificial Neural Network. Int. Conf. Energy Effic. Technol. Sustain. ICEETS, 7-8 April 2016, India, pp:527–532.

9. Ferreira AP, Ramos JG, Fernandes PO, 2019. A linear regression pattern for electricity price forecasting in the Iberian electricity market. Revista Facultad de Ingeniería, No.93.
10. Şenocak F, 2018. Elektrik Piyasa Takas Fiyatı Ağırlıklı Ortalamasının ANFIS ve YSA ile belirlenmesi, , Karadeniz Teknik Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
11. Var H, Türkay BE, 2014. Yapay Sinir Ağları Kullanılarak Kısa Dönem Elektrik Yükü Tahmini. Electric, Electronic and Computer Engineering Symposium, ELECO, 27-29 Kasım 2014, Bursa, pp:34–37.
12. Zahid M, Ahmed F, Javaid N, Abbasi RA, Kazmi HSZ, Javaid A, Bilal M, Akbar M, Ilahi M, 2019. Electricity price and load forecasting using enhanced convolutional neural network and enhanced support vector regression in smart grids. Electronics, 8(122): 1-32.