Essays on electricity price modeling and forecasting

Abstract

Elektrik piyasaları 2000'lerin başından itibaren ciddi bir değişim içine girmiştir. Daha önce devletlere ait olan ve tekel halinde bulunan elektrik emtiası, özelleştirilmiş ve rekabete açık bir ortam oluşmuştur. Bu vesileyle, daha önce bu tekeller tarafından belirlenen elektrik fiyatları, serbest piyasada belirlenir hale gelmiştir. Türkiye'de elektrik piyasası 2000'li yıllarda özelleşmiş ve 2011 Aralık ayında kurulan Gün Öncesi Elektrik Piyasası ile elektrik fiyatlarının oluşabileceği bir ortam meydana gelmiştir. Bu noktada, elektrik fiyatlarının gerçek fiyatlara en yakın tahmin edilmesi pek çok açıdan önem arz etmektedir. Öncelikli olarak bu piyasada teklif veren arz ve talep taraflarının mümkün olduğunca doğru ve tutarlı fiyat teklifleri vermeleri gerekmektedir. Örneğin, hidroelektrik santralleri üretimlerini elektrik fiyat tahminlerine göre optimize etmekte ve gerçekleşen fiyatlardan uzaklaşan elektrik tahminleri önemli miktarda zarar etmelerine neden olabilmektedir. Bununla beraber, daha doğru şekilde yapılan elektrik tahminleri üretici rantını ortadan kaldıracak olup, fiyat daha aşağı seviyede oluşacak ve buradaki farktan kazanç sağlayacak kişiler nihai tüketiciyi temsil eden vatandaşlar olacaktır. Elektrik fiyat tahmini ve modellenmesi konusu dünya çapında artan bir ilgiye mazhar olmakla beraber, Türkiye piyasasında bugüne kadar yapılmış olan çalışmalar hem sayıca hem de kapsam olarak kısıtlı kalmaktadır. Bu tezde, yayınlanmış üç makale ile elektrik fiyat modellenmesi ve tahmini konusu tartışılacaktır. İlk makalede Türkiye Gün Öncesi Elektrik Piyasası'nda istatistiksel yöntemler kullanılmak suretiyle elektrik fiyatlarının saatlik olarak tahmin edilmesi konusu tartışılmaktadır. Bu bağlamda elektrik fiyatlarının önceki değerleri açıklayıcı değişkenler olarak kullanılmıştır. En önemli olarak görülen 1., 24., 48. ve 168. gecikmeli değerlere ek olarak 23., 72. ve 336. gecikmeli değerlerin kullanıldığı modeller de geliştirilmiştir. Kullanılan istatistiksel yöntemler SARIMA, Markov geçiş modelleri, SETAR, AR(24) ve naive metoddur. Türkiye piyasasında fiyatlarda bulunan 0'lardan dolayı, finansal enstrümanlarda her zaman kullanılan logaritmik getiriyi alma ve seriyi durağan hale getirme işlemi uygulanamamakta ve bu ciddi bir sorun yaratmaktadır. Benzer sorun çok sayıda sıfırın bulunduğu İspanya ve negatif değerlerin de bulunduğu Almanya piyasaları gibi pek çok piyasada gözlemlenmektedir. Bu makalenin getirdiği en önemli yenilik, bu sorunu ortadan kaldırmak için bir ön işlem olarak faktöriyel (factorial) ANOVA uygulaması ve seriyi bu yolla durağan hale getirmesidir. Buna ek olarak Türkiye piyasasında bu denli kapsamlı şekilde istatistiksel yöntemleri karşılaştıran ilk çalışma olan tezde, farklı zamanlarda farklı yöntemlerin başarısı görülmekle beraber, genel trend SARIMA modelinin Türkiye piyasasında, gözlemlenen zaman diliminde en başarılı model olduğudur. İkinci makale ise aynı konuya çok daha kapsamlı bir perspektiften yaklaşmaktadır. İlk makalede eksik olan ekzojen değişkenler de makaleye eklenmiş; temel yenilik olarak ise istatistiksel modellere ek olarak, yapay sinir ağları ve derin öğrenme metodları da işin içine katılmıştır. Yine aynı şekilde Türkiye Gün Öncesi Elektrik Piyasası'nda elektrik fiyat tahmini yapmayı hedefleyen bu makalede bir önceki makaledeki istatistiksel yöntemler de kullanılmakla beraber, derin yapay sinir ağları, evrişimli sinir ağları ve devirli (recurrent) sinir ağları yöntemleri ile de tahminler yapılmaktadır. Bununla beraber, bir önceki makalede kullanılan gecikmeli fiyat değerlerine ek olarak; sıcaklık, tahmini talep/arz, gerçekleşen talep/arzın 24. gecikmeli değeri ve dengeleme piyasası fiyatının 24. gecikmeli değerleri kullanılmıştır. Türkiye piyasasında önceki üç seneyi kullanarak 2016 yılının her bir günü için elektrik fiyat tahmini yapan ve ortalamaları alarak berk sonuçlara ulaşan bu tezde, öncelikli olarak makina öğrenmesi yöntemlerinin istatistiki yöntemlerden anlamlı şekilde daha doğru tahminler yaptığı söylenmelidir. Buna ek olarak, zaman serisi problemlerinde daha başarılı olan LSTM ve GRU gibi devirli sinir ağları yöntemleri de en başarılı yöntemler olmuştur. Bir diğer önemli nokta ise daha fazla katman içeren derin sinir ağlarının, tek katman içeren sinir ağlarına göre daha başarılı sonuçlara ulaştığıdır. Bununla beraber, derin devirli sinir ağları içinde de GRU'nun LSTM'e göre daha iyi sonuçlar verdiği söylenebilir. Tüm bu sonuçların Diebold-Mariano testi ile istatistiksel anlamlılığı da saptanmıştır. Açıklayıcı değişkenlerin seçiminde, 1., 24., 48. ve 168. gecikmeli fiyat değerlerinin en önemli değişkenler olduğu gözlemlenmekte, ekzojen değişkenlerin ancak hepsi birden eklendiğinde endojen değişkenlere göre anlamlı bir tahmin performans başarısı üstünlüğüne sahip olduğu görülmektedir. Bu bağlamda, derin devirli sinir ağlarının, özellikle derin GRU'nun elektrik fiyat tahmininde kullanılmasını öneren bu çalışma, alanında ilk olma özelliğini taşımaktadır. Üçüncü makalede ise elektrik fiyat tahminlerindeki yanlışlığın bir hidroelektrik santraline olan finansal etkileri tartışılmaktadır. Bu bağlamda, ikinci makalede kullanılan tahmin yöntemlerinin en başarılı beş tanesine ek olarak dört adet de bu tahminlerin kombinasyonundan oluşturulan hibrit modeller kullanılmıştır. Bu dokuz tahmin yöntemine göre hidroelektrik santralinde karışık tamsayılı doğrusal programlama yöntemi ile günlük üretim planlaması optimize edilmiştir. Buna göre oluşturulan üretim çizelgelerinin finansal etkileri, oluşan gerçek fiyatlara göre yapılan üretim çizelgelemesinden elde edilecek maksimum kar ile karşılaştırılmaktadır. Bu amaçla, kardan zarar gibi kimi finansal performans ölçütleri kullanılarak her bir tahmin modelinin ne kadarlık bir finansal etkiye sebep olduğu değerlendirilmektedir. Bu çalışmadaki en temel bulgu, literatür ile de uyumlu şekilde, tahmin performansı değerlendirme ölçütlerinden biri olan ortalama mutlak hataya göre en iyi model olmayan ANN-LSTM yönteminin, finansal performans ölçütlerine göre en iyi model olarak seçilmesi olmuştur. Bu da tahmin performansı ölçütleri ile finansal performans ölçütleri arasında bir çelişkiden söz etmeye sebep olmaktadır. Özellikle üretim çizelgeleme yapacak elektrik santrallerinin, kullanacakları elektrik fiyat tahmin modelini seçerken finansal performans ölçütlerine göre karar vermesi daha yerinde olacaktır. Bir diğer önemli bulgu ise hibrit modellerin başarısı olmuştur. Hibrit modellerden ANN-LSTM, diğer modellerin önünde birinci gelmekle beraber, diğer hibrit modeller de oldukça iyi sonuçlar vermektedir. Hibrit modellerin elektrik fiyat tahminininde kullanılmanın yanı sıra, elektrik fiyat tahminlerinin üretim tesisleri üzerine finansal etkileri hesaplanırken de değerlendirilmesi önerilmektedir. Sonuç olarak, bu tez gelişmekte olan Türkiye Elektrik Piyasası'na geniş bir perspektiften bakma imkanı bulmaktadır. İstatistiksel yöntemlerin yanı sıra makina öğrenmesi temelli, yapay sinir ağları yöntemlerini ve çağımızın en önemli yeniliklerinden biri olan derin öğrenme yöntemlerini kullanan bu tez, Türkiye Gün Öncesi Elektrik Piyasası'nda elektrik fiyat tahmini yapmaktadır. Buna ek olarak, elektrik fiyat tahminlerinin önemini ve finansal etkilerini bir hidroelektrik santralini örnek alarak izlemekte ve üretimi elektrik fiyat tahminlerine göre optimize etmenin finansal etkilerini tartışmaktadır. Bu multidisipliner çalışma, Türkiye piyasasına ışık tutmanın ötesinde, global ölçekte de elektrik fiyatlarını durağan hale getirmek için bir ön yöntem olarak faktöriyel ANOVA'yı önermekte; buna ek olarak derin öğrenme yöntemlerini ve özellikle devirli sinir ağlarını da elektrik fiyat literatürüne kazandırmaktadır. Sürekli gelişmekte olan bu alanda yeni çalışmalar pek çok daldan ilerleyebilir. Öncelikle değişken seçiminde de kullanılan Lasso regresyon ya da temel bileşenler analizi gibi yöntemler oldukça ilgi çekici sonuçlar vermektedir. Bizim de bulgularımız arasında olduğu gibi hem farklı modellerin sonuçlarını kombine etme ile oluşturulan hibrit sonuçlar, hem de farklı yöntemleri bir arada kullanma ile oluşturulan hibrit metodlar oldukça başarılı sonuçlara ulaşmaktadır. Buna ek olarak; petrol, doğalgaz fiyatları ya da döviz kurları gibi bağımsız değişkenler de özellikle gelişmekte olan piyasalarda önemli faktörler olabilir ve başka çalışmalarda değerlendirmeye katılmaları önerilir. Bir diğer nokta ise Gün İçi Piyasası'nın gelişmesi ile beraber, o alanda da çalışmalara ihtiyaç duyulmaya başlanmasıdır. Buna mukabil, enerjiye dayalı türev ürünlerin fiyatlandırılması da enerji finansıyla ilgili çalışılması gereken başka önemli bir konu olacaktır. Tüm bunların ötesinde, her bir piyasanın kendine özgü özellikler taşıdığı elektrik piyasaları ele alındığında, bu çalışmada önerilen yöntemlerin başka ülke piyasalarında, başka zaman dilimlerinde de incelenmesi çalışmanın sonuçlarının daha berk bir şekilde ortaya konabilmesine izin verecektir.

Electricity markets have been privatized since the beginning of 2000s. Due to this liberalization, electricity price forecasting has become an essential task for all the participants of the electricity markets. Especially day-ahead electricity price forecasts are used for many purposes. For example, generation companies can optimize their production schedule according to these electricity price forecasts and decrease the loss of profits caused by the inaccurate electricity price forecasts. Turkish electricity market is not exempt from this change all over the world. As an emerging market, Turkish day-ahead electricity market needs to be investigated. This thesis consists of three essays on electricity price modeling and forecasting. First one suggests the usage of factorial ANOVA as a pre-treatment to the Turkish electricity price series before applying the forecast methods. Furthermore, it compares the statistical time series methods by using the lagged price series. Even though best performing methods vary from period to period, SARIMA is chosen as the best method among the statistical models, which include Markov regime-switching, SETAR, AR(24) and naïve method. In the second article, electricity prices are forecasted by various models. In addition to the lagged prices; temperature, forecast demand/supply, 24th lag of realized demand/supply and the 24th lag of the balancing market prices are utilized as the exogenous variables. The main contribution of this paper is that the success of the electricity price forecasts increase a lot by using the deep recurrent neural networks. This is the first work, which involves recurrent neural networks as well as deep learning methods into the electricity price forecasting literature. Third paper, which evaluates the financial effect of the inaccurate electricity price forecasts on a hydro-based generation company, optimizes the production schedule according to nine electricity price forecasts and compare the results with the "best" ex-post actual prices case. According to these inaccurate forecasts, generation companies might face significant loss of profits. The main finding of this paper is that the best method according to the performance evaluation criteria is not necessarily the best method according to the financial effect measures. In our example, ANN-LSTM method, which is not the best method among the nine methods in terms of the forecast performance measures is the best method in terms of the financial effect criteria. Another important point to mention is that the hybrid methods, which combine the forecasts of various methods, perform best in most of the examined periods. It is the first study in the Turkish day-ahead electricity market, which looks at the electricity price forecasting from such a wide perspective. Moreover, it suggests using the factorial ANOVA method as a pre-treatment before forecasting the electricity prices. Furthermore, it proposes the deep recurrent neural networks as the best forecasting method compared to the shallow recurrent neural networks, artificial neural networks and the statistical time series methods. Lastly, it mentions the conflict between the performance evaluation criteria and the financial effect measures. Generation companies must take this conflict into account, when they choose the forecast methods. As an ever improving research area, electricity price forecasting needs further research in many branches. Lasso or principal component analysis type dimension reduction techniques could help to choose the variables. Hybrid methods, both combination of the electricity price forecasts from various methods and the simultaneous use of different methods as hybrid models could increase the forecast performance. Furthermore, energy derivatives pricing will be an important research area in the near future, especially due to the development of the intraday markets. Last, but not least, all the electricity markets have unique characteristics due to their location, development level, renewables share etc. Therefore, applying the models discussed in this thesis on other markets at different time periods will give us more robust results.