Gün öncesi piyasalarında elektrik fiyatı tahmini: Türkiye örneği

Abstract

Hazırlanan bu tez çalışmasında, Türkiye'de Enerji Piyasaları İşletme A.Ş.'nin işlettiği Gün Öncesi Piyasası'nda oluşan Piyasa Takas Fiyatı (PTF) değerlerini etkileyen değişkenler ve PTF'nin bu değerler ile ilişkisi belirlenmiştir. Elde edilen modellerle sonraki dönemler için PTF değeri tahmin edilmeye çalışılmıştır. Elektrik fiyatı tahmininin gerçeğe yaklaşması hem yatırımcı tarafında hem de tüketicinin tüketimini planlaması için oldukça önemli bir konudur. Tez çalışmasında, farklı makine öğrenmesi yöntemleri ve zaman serisi kullanılarak; EPİAŞ, TEİAŞ, Dünya Bankası, TCMB vb. kurumlardan temin edilip derlenen dönemsel değerler ile PTF değeri tahmin edilmiş ve elde edilen sonuçlar kıyaslanmıştır. Türkiye'deki yenilenebilir santral yatırımlarının artması, nükleer santralin devreye alınacak olması ve depolamalı lisansların devreye girecek olması sebepleri ile önümüzdeki on yıl boyunca piyasada değişiklikler yaşanması beklenmektedir. Yapılan çalışmada elektrik fiyatını etkileyen değişkenler belirlenmiş, bu değerlerin ilgili dönemlerdeki değerleri bulunmuş ve sonrasında 2019 – 2022 dönemlerini kapsayan dört yıla ait PTF tahmini yapılmıştır. Dört farklı makine öğrenmesi ve bir adet zaman serisi algoritması kullanılmış olup, elde edilen sonuçlar kıyaslanmıştır. Lineer Regresyon, Yapay Sinir Ağları, SGD (Stochastic Gradient Descent), SVM (Support Vector Machine) ve ARIMA'dan faydalanılmıştır. Yapılan tahmin sürecinde kullanılan algoritmalardan farklı yıllarda farklı yöntemler başarılı olsa bile, piyasa fiyatlarındaki değişimin yüksek olduğu dönemlerde makine öğrenmesi yöntemleri, daha durağan olduğu dönemlerde ise zaman serisi tahmini daha başarılı sonuçlar vermiştir.

In this thesis study, the variables affecting the Day Ahead Market Electricity Price (PTF) values formed in the Day Ahead Market operated by Enerji Piyasaları İşletme A.Ş. in Turkey and the relationship between PTF and these values were determined. With the models obtained, PTF value was tried to be estimated for the following periods. Approximation of the electricity price estimation to the reality is a very important issue for both the investor and the consumer to plan their consumption. In the thesis study, using different machine learning methods and time series; EPİAŞ, TEİAŞ, World Bank, CBRT etc. The periodic values obtained from the institutions and the PTF value were estimated and the results obtained were compared. Changes are expected in the market over the next ten years due to the increase in renewable power plant investments in Turkey, the commissioning of the nuclear power plant and the introduction of storage licenses. In the study, the variables affecting the electricity price were determined, the values of these values in the relevant periods were found, and then PTF estimates for four years covering the 2019-2022 periods were made. Four different machine learning and one time series algorithms were used and the results were compared. Linear Regression, Artificial Neural Networks, SGD (Stochastic Gradient Descent), SVM (Support Vector Machine) and ARIMA were used. Even if different methods were successful in different years than the algorithms used in the estimation process, machine learning methods gave more successful results in periods when the changes in market prices were high, and time series estimation in periods when it was more stable.