Türkiye elektrik piyasasında istatistiksel yöntem ve makine öğrenmesi algoritmaları kullanılarak kısa vadeli gün öncesi elektrik fiyatı tahmini için hibrit bir yaklaşım

Abstract

u çalışmada, Türkiye elektrik piyasasında gün öncesi piyasasında oluşan piyasa takas fiyatlarının kısa vadeli tahminine yönelik kapsamlı ve hibrit bir model yaklaşımı geliştirilmiştir. Elektrik piyasaları, arz ve talep dengesinin saatlik bazda yeniden oluştuğu, çok sayıda ekonomik, teknik ve çevresel faktörden etkilenen karmaşık yapılardır. Özellikle yenilenebilir enerji kaynaklarının üretim portföyündeki payının artmasıyla birlikte fiyat oluşum mekanizmaları daha belirsiz ve değişken bir yapı kazanmıştır. Talep dalgalanmaları, yenilenebilir üretimdeki öngörü hataları, hava koşulları, ithalat–ihracat dengesi ve santral bazlı operasyonel kısıtlar fiyat dinamiklerini doğrudan etkilemekte; bu durum piyasa takas fiyatı serilerinde yüksek oynaklık ve ani sıçramalara neden olmaktadır. Bu bağlamda, güvenilir kısa vadeli fiyat tahmini, hem piyasa katılımcılarının stratejik karar süreçleri hem de sistem işletmecilerinin operasyonel planlamaları açısından kritik bir gereklilik haline gelmiştir. Çalışma kapsamında, Türkiye elektrik piyasasına özgü temel fiyat belirleyicileri dikkate alınarak çok boyutlu bir veri seti oluşturulmuştur. Bu veri seti, başta EPİAŞ Şeffaflık Platformu olmak üzere farklı açık veri kaynaklarından elde edilen üretim bileşenleri, tüketim verileri, ithalat–ihracat akışları, santral arıza ve bakım bilgileri ile meteorolojik değişkenleri içermektedir. Sıcaklık, rüzgar hızı ve bulutluluk gibi hava durumu değişkenleri, özellikle yenilenebilir üretim üzerindeki etkileri nedeniyle modele dahil edilmiştir. Ayrıca, piyasa davranışlarını daha doğru temsil edebilmek amacıyla takvim etkileri, mevsimsellik ve resmi tatil değişkenleri de veri setine entegre edilmiştir. Özellik mühendisliği sürecinde, zaman serisi modelleme yaklaşımını desteklemek amacıyla gecikmeli fiyat değişkenleri oluşturulmuş ve sistemin arz-talep dengesini temsil eden türetilmiş değişkenler geliştirilmiştir. Bu kapsamda, artık talep gibi değişkenler aracılığıyla sistemdeki net yük daha analitik bir biçimde modellenmiştir. Bununla birlikte, model performansını olumsuz etkileyebilecek çoklu doğrusal bağlantı problemi ayrıntılı olarak incelenmiş ve çoklu doğrusal bağlantı faktörü (VIF) analizi kullanılarak yüksek korelasyon içeren değişkenler belirlenmiştir. Elde edilen bulgular doğrultusunda, model stabilitesini artırmak ve aşırı öğrenme riskini azaltmak amacıyla uygun değişken seçimi ve düzenlemeleri yapılmıştır. Modelleme aşamasında, istatistiksel yöntemler, artırma tabanlı makine öğrenmesi algoritmaları ve derin öğrenme modelleri birlikte değerlendirilmiştir. Bu sayede hem doğrusal hem de doğrusal olmayan ilişkilerin yakalanması hedeflenmiştir. Farklı özellik setleri altında çok sayıda model eğitilmiş ve her bir modelin performansı çeşitli hata metrikleri ile analiz edilmiştir. Model performansının değerlendirilmesinde ortalama mutlak hata, kök ortalama kare hata, ortalama mutlak yüzde hata ve Huber kaybı gibi metrikler birlikte kullanılmıştır. Tek bir hata metriğinin model performansını tam olarak yansıtamaması nedeniyle, çalışmada bu metriklerin birleşiminden oluşan hibrit bir değerlendirme ölçütü geliştirilmiştir. Bu ölçüt, büyük hatalara daha duyarlı olan kök ortalama kare hatayı, genel hata performansını yansıtan ortalama mutlak hata ile dengelemekte ve uç değerlerin etkisini sınırlamak amacıyla Huber kaybını da içermektedir. Bu yaklaşım sayesinde hem ani fiyat sıçramalarının yakalanması hem de genel tahmin doğruluğunun korunması sağlanmıştır. Geliştirilen hibrit skor kullanılarak her saat için en iyi performans gösteren model seçilmiş ve saatlik bazda dinamik bir model seçim mekanizması oluşturulmuştur. Elde edilen bulgular, farklı model türlerinin piyasa dinamiklerini yakalama kapasitesinin önemli ölçüde değiştiğini göstermektedir. Geleneksel istatistiksel modellerin doğrusal olmayan ve rejim değişimlerine sahip yapıları modellemede yetersiz kaldığı gözlemlenmiştir. Artırma tabanlı algoritmaların ani fiyat hareketlerini ve karmaşık ilişkileri daha başarılı şekilde yakalayabildiği, ancak bazı durumlarda ortalama fiyat seviyesini korumakta zorlandığı belirlenmiştir. Derin öğrenme modellerinin daha düzgün ve pürüzsüz tahminler ürettiği, ancak keskin fiyat değişimlerini yeterince yansıtamadığı tespit edilmiştir. Önerilen hibrit yaklaşım ise bu farklı model ailelerinin güçlü yönlerini bir araya getirerek daha dengeli ve tutarlı bir tahmin performansı sunmuştur. Sonuç olarak, geliştirilen model çerçevesi Türkiye elektrik piyasasında kısa vadeli fiyat tahmin doğruluğunu artırmakta ve piyasa katılımcılarına karar destek açısından önemli katkılar sağlamaktadır. Modelin uygulanabilir yapısı, teklif stratejilerinin belirlenmesi, portföy yönetimi ve risk analiz süreçlerinin iyileştirilmesine olanak tanımaktadır. Gelecek çalışmalar kapsamında, geliştirilen fiyat tahminlerinin doğrudan optimizasyon modellerine entegre edilerek maksimum kâr odaklı karar mekanizmalarında kullanılması önemli bir araştırma alanı olarak öne çıkmaktadır. Bunun yanı sıra, dengeleme piyasasına yönelik yön tahmin modellerinin geliştirilmesi, kısa vadeli operasyonel kararların doğruluğunu artırabilir. Ayrıca, olasılıksal tahmin yaklaşımlarının entegrasyonu, rejim değişim modellerinin kullanımı ve daha yüksek frekanslı veri setlerinin dahil edilmesi ile model performansının daha da geliştirilmesi mümkündür. Bu doğrultuda, önerilen yaklaşımın gelecekte uçtan uca bir karar destek sistemi haline dönüştürülmesi hedeflenmektedir.