Derin öğrenme yöntemleri ile elektrik fiyat tahmini: Türkiye gün öncesi elektrik piyasası uygulaması

Abstract

Bu çalışma, Türkiye gün öncesi elektrik piyasasında, sonraki 24 saatlik piyasa takas fiyatlarını (PTF) tutarlı bir şekilde tahmin etmek için, çeşitli derin öğrenme yöntemlerini analiz etmeyi amaçlamaktadır. Bu amaçla, 'öz-dikkat katmanlı dönüştürücü kodlayıcı-çözücü model' ve ayrıca on iki tane de 'RNN tabanlı model' oluşturulmuştur. Çalışmada, 2017-2021 dönemi için EPİAŞ Şeffaflık Platformu'ndan sağlanan saatlik üretim, tüketim ve piyasa takas fiyatı verileri kullanılmıştır. Bahsi geçen dönem ve veri için öz-dikkat katmanlı dönüştürücü kodlayıcı-çözücü ağ modeli elektrik fiyatlarını yüksek tutarlılıkla tahmin etmiştir. Bu model veride kullanılan COVID-19 kukla özelliği sayesinde, veride gruplama yaparak, normal dönem ve COVID-19 dönemini ayrı ayrı öğrenerek, dönemsel tahminlerde de yüksek tutarlılık elde etmiştir. Oluşturulan öz-dikkat katmanlı dönüştürücü kodlayıcı-çözücü modelin ne kadar başarılı olduğunu test etmek için, on iki tane RNN (Tekrarlayan Sinir Ağı) tabanlı model, aynı veri seti ile ayrıca test edilmiştir. Çalışmada oluşturulmuş RNN tabanlı modeller fiyatları başarılı bir şekilde tahmin etse de bu modellerden hiçbiri öz-dikkat katmanlı dönüştürücü kodlayıcı-çözücü modelin tahmin gücüne ulaşamamıştır. Diğer yandan, öz-dikkat katmanlı dönüştürücü kodlayıcı-çözücü modelin, elektrik fiyatlarının tahmininde ilk kez kullanılması ise bu çalışmanın alana en önemli katkısı olmuştur.This study aims to analyze various deep learning methods to accurately predict the next 24-hour market clearing prices in the Turkish day-ahead electricity market with deep learning methods. For this purpose, a transformer encoder-decoder with self-attention model and twelve RNN-based models are designed to predict electricity price. In the study, hourly production, consumption, and market clearing price data provided by EPİAŞ Transparency Platform for the period 2017-2021 are used. For the given period and data, the transformer encoder-decoder with self-attention model predicted electricity prices with high accuracy. Through the COVID-19 dummy feature used in the analysis, the model has achieved high accuracy in periodic prediction by grouping the data, learning the normal period and the COVID-19 period separately. To test the success of transformer encoder-decoder with self-attention model, twelve RNN (Recurrent Neural Network) based models were also tested with the same dataset. Although the RNN-based models created in the study successfully predicted prices, none of these models could reach the predictive power of the transformer encoder-decoder with self-attention model. The use of the transformer encoder-decoder with self-attention model for the first time in the prediction of electricity prices is the main contribution of this study to the field.