Elektrik üretim ve fiyat tahmin yöntemleriyle elektrik piyasasındaki dengesizlik maliyetlerinin optimizasyonu

Abstract

Elektrik üreten firmalar bir gün sonraki üretim tekliflerini elektrik piyasaları işletmecisi olan EPİAŞ'a bildirmektedir. Bu tekliflerin değerlendirilmesiyle oluşan arz ve talebe göre elektrik fiyatları belirlenerek elektrik ticareti gerçekleşmektedir. Ancak yenilenebilir enerjiden elektrik üretiminin hava şartlarına bağlı olarak gerçekleşmesinden dolayı ne kadar üretim yapılacağının tahmin edilmesinde hatalarla karşılaşılmaktadır. Tahmin edilen üretimin gerçekleşen üretimden az olması durumunda üretici firmalar negatif dengesizliğe düşmektedir ve piyasa işletmecisi tarafından belirlenen kurallara göre ceza ödemek durumunda kalmaktadır. Aynı şekilde tahmin edilen üretimin gerçekleşen üretimden fazla olması durumunda ise firmalar pozitif dengesizliğe düşmektedirler. Bu durumda üretim fazlası olan kısım EPİAŞ tarafından daha düşük bir fiyata satın alınarak firmalara farklı bir ceza uygulanmaktadır. Bu nedenle elektrik üretiminin düşük hatayla tahmin edilmesi elektrik üreticileri açısından önem arz etmektedir. Bu çalışmada doğrusal regresyon ve yapay sinir ağları kullanılarak güneş enerjisi üretim tahmini için modeller kurulmuş ve en düşük hatayı veren model tespit edilmiştir. En iyi tahmin modelleri kurulsa bile tam isabetli tahminler gerçekleştirmek mümkün değildir. Bu nedenle dengesizlik maliyetleri firmalar için kaçınılmaz olmaktadır. Tahmin edilen üretimin gerçekleşenden az veya fazla olması ihtimalleri durumunda negatif ve pozitif dengesizlik maliyetlerinin beklenen değerleri hesaplanmıştır. Bu maliyetlerin toplamını minimize edecek olan optimum teklifin belirlenmesinin, üretici firmaların gelirini arttırmaya katkı sağlayacağı düşünülmüştür. Ancak üretimde dengesizliğe düşüldüğünde uygulanacak olan cezalar elektrik fiyatlarına bağlı olarak belirlenmektedir. Elektrik fiyatları ise üretim tekliflerinin EPİAŞ'a bildirilmesinden sonra belirlenmektedir. Bu nedenle dengesizlik maliyetlerini minimize edecek olan optimum teklifin belirlenebilmesi için bir gün sonraki elektrik fiyatlarının da tahmin edilmesi gerekmektedir. Piyasa Takas Fiyatı ve Sistem Marjinal Fiyatının tahmin edilmesi için doğrusal regresyon ve yapay sinir ağları kullanılarak çok sayıda model kurulmuş ve en düşük hataya ulaşılan model tespit edilmiştir. Son bölümde ise dengesizlik maliyetleri göz önüne alınarak gelir fonksiyonu oluşturulmuştur. Beklenen geliri maksimize edecek olan gazeteci çocuk modeli kurulmuştur. Elektrik üretim ve fiyat tahmin değerleri gazeteci çocuk modelinde kullanılarak optimum teklif değeri belirlenmiştir. Öncelikle tahmin edilen üretim değerine göre elde edilecek gelir ve dengesizlik maliyetleri hesaplanmıştır. Daha sonra geliri maksimize eden optimum teklif değerine göre elde edilecek gelir ve dengesizlik maliyetleri hesaplanarak sonuçlar karşılaştırılmıştır. Optimum teklif değeri kullanıldığında ne kadar iyileştirme yapıldığı gözlemlenmiştir. Bu işlemler tahmin edilen elektrik fiyatları ve gerçek elektrik fiyatları için ayrı ayrı yapılarak elektrik fiyatı tahmin performansının gelir artışına etkisi araştırılmıştır.

Companies generating electricity report their electricity generation forecasts of the following day to EPIAS, which is the operator of electricity markets. Electricity prices are determined according to the supply and demand that is formed by evaluating these bids. Electricity trading takes place at these prices. If the forecasted generation is less than the actual generation, the producer firms are in negative imbalance and have to pay penalty according to the rules determined by EPIAS. In the same way, if the forecasted generation is more than the actual generation, the firms are in positive imbalance. In this case, the part with generation surplus is purchased by EPIAS with a lower price and a different penalty is applied to the firm. For this reason, accurate forecast of electricity generation is significant for electricity producers. In this study, models for forecasting solar energy generation using linear regression and artificial neural networks are set up and the model with the lowest error is determined. Even if the best forecast models are set up, it is not possible to make exact forecasts. For this reason, imbalance costs are inevitable for companies. The expected values of the negative and positive imbalance costs are calculated in the case of the probability of the forecasted generation being less or more than actual. It is thought that determining the optimum bid that will minimize the sum of these costs will contribute to increasing the revenue of the producers. However, the penalties for the imbalance in generation are determined by the electricity prices. Electricity prices are determined after the bids are reported to EPIAS. For this reason, it is necessary to forecast the electricity prices of the next day in order to determine the optimum bid which will minimize the imbalance costs. In order to forecast Market Clearing Price and the System Marginal Price, numerous models are set up by using linear regression and artificial neural networks. The model with the lowest error is determined. In the last chapter, revenue function is created by taking into account the imbalance costs. The newsvendor model that will maximize expected revenue is set up. Forecasted electricity generation and price values are used in the newsvendor model to determine the optimum bid. Firstly, revenue and imbalance costs to be obtained according to the forecasted value are calculated. Then, revenue and imbalance costs to be obtained according to the optimum bid value that maximizes the revenue are calculated. Results are compared. It is observed how much improvement is made when the optimum bid value is used. These calculations are conducted separately for the forecasted electricity prices and the actual electricity prices. The effect of the electricity price forecasting performance on the revenue increase is investigated.