Elektrik piyasa takas fiyatı ağırlıklı ortalamasının anfıs ve yapay sinir ağları ile tahmini

Abstract

Bu çalışmada, elektrik piyasa takas fiyatının (PTF) tahmin edilmesi için yapay sinir ağı (YSA) ve ANFIS modeli oluşturuldu. Modelin giriş değişkenleri olarak birincil enerji kaynaklarının üretim miktarı kullanılmıştır. Giriş değişkenleri üç kategori oluşturularak modele uygulanmıştır. İlk kategoride herbir birincil enerji kaynaklarının ayrı ayrı üretim miktarı, ikinci kategoride birincil enerji kaynakları bileşikleri oluşturularak bunlara ait üretim miktarları, üçüncü kategoride ise herbir birincil enerji kaynağının modele uygulanmasıyla elde edilen PTF'lerin herbir birincil enerji kaynağının toplam üretimdeki oranıyla çarpılarak yeni kısmi PTF'ler bulunmuştur ve her bir kısmi elde edilen PTF'lerin toplanmasıyla yeni PTF değeri elde edilmiştir. Bu sonuçlar incelendiğinde PTF ile birincil enerji kaynakları arasında sıkı bağ olduğu gözükmektedir. Hidrolik birincil enerji kaynağı ile doğru doğalgaz birincil enerji kaynağı ile ters orantılı olarak değişmektedir. Modellerimizdeki sonuçlar kıyaslandığında üçüncü kategori kapsamında en başarı sonuçlar elde edilerek ANFIS için %3,74 YSA için %5,80 MAPE hata oranları bulunmuştur. Sonuçların gerçeğe yakınlığı elektrik piyasa takas fiyatı tahmin modellemelerinde birincil enerji kaynaklarının baz alınması daha doğru sonuçların elde edilmesine yardımcı olacaktır. Modelden elde edilen sonuçların doğruluğu birincil enerji kaynaklarının yeterli miktarda olmasına bağlıdır. Çünkü oluşan arz sıkıntısı ya da bazı birincil enerji kaynak yetersizliği nedeniyle diğer birincil enerji kaynaklarının daha fazla devreye alınmasına bağlı olarak üretimdeki aşırı artışların modeli olumsuz etkilediği ortaya çıkmıştır. In this study, an artificial neural network (ANN) and ANFIS model was established to estimate the electricity market clearing price (MCL). Production quantities of primary energy sources are used as input variables of the model. The input variables are modeled by creating three categories. In the first category, the amount of production of each primary energy source separately, in the second category, compounds of primary energy sources are formed and their production quantities, in the third category, new partial MCLs are found by multiplying each primary energy source of MCLs obtained by modifying each primary energy source by the ratio of total production and a new MCL value is obtained by collecting each partially obtained MCL. When these results are examined it appears that there is a close connection between MCL and primary energy sources. With hydraulic primary energy source, the right natural gas is inversely proportional to the primary energy source. When the results of our models were compared, the most successful results were obtained within the third category and MAPE error rates were found as 3.74% for ANFIS and 5.80% for ANN. The fact that the results are close to reality will help to obtain more accurate results in the electricity market clearing price forecasting models based on primary energy sources. The accuracy of the results obtained from the model depends on the availability of primary energy sources. Because of the resulting supply shortage or some primary energy resource shortage, it has been shown that excessive increases in production adversely affect the model, due to the fact that the other primary energy sources are being replaced.