Predictive modelling of Türkiye's electricity prices: Evaluating machine learning approaches and key impact factors
Türkiye elektrik fiyatının tahmin modellemesi: Makine öğrenme yaklaşımlarının ve temel etki faktörlerinin değerlendirilmesi
- Tez No: 1005694
- Danışmanlar: DR. ÖĞR. ÜYESİ İSMAİL DURU
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
- Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmanın temel amacı, Türkiye elektrik piyasasında elektrik fiyatlarını belirleyen birincil faktörleri incelemek ve Gün Öncesi Piyasa Takas Fiyatı' nı tahmin etmek için farklı modeller geliştirmektir. Güvenilir elektrik fiyatı tahmini, piyasa verimliliğini artırmak, risk yönetimi stratejilerini güçlendirmek ve hem piyasa katılımcıları hem de politika yapıcılar için veriye dayalı karar alma süreçlerini desteklemek açısından kritik öneme sahiptir. Analizlerde kullanılan veri seti, elektrik tüketimi, yenilenebilir enerji üretimi, termik enerji üretimi ve uluslararası emtia fiyatları da dahil olmak üzere kapsamlı bir değişken yapısına sahiptir. Bu çalışmadaki analizler, emtia fiyatlarının, özellikle fosil yakıt fiyatlarının, elektrik fiyatları üzerinde önemli bir etkiye sahip olduğunu göstermektedir. Çalışma kapsamında, elektrik fiyatı tahminleri hem saatlik hem de günlük zaman çözünürlüklerinde gerçekleştirilmiş ve çeşitli geleneksel makine öğrenme, derin öğrenme ve transformer tabanlı modellerinin performansı karşılaştırılmıştır. Ayrıca, sonuçlar açıklanabilir yapay zeka yöntemleri kullanılarak analiz edilmiş ve model çıktıları (DAMP) ile vadeli işlemler arasındaki ilişkiyi anlamaya çalışılmıştır. Geleneksel makine öğrenimi modelleri arasında, Extra Trees Regressor, %98,27'lik R-kare ve %6,02'lik MAPE ile en yüksek tahmin performansını elde etmiştir. Derin öğrenme modelleri arasında LSTM, BiLSTM, GRU ve CNN+BiLSTM tabanlı modeler incelendi. BiLSTM tabanlı derin öğrenme modeli, %96,11'lik R-kare ve %8,91'lik MAPE metrik değerleriyle en başarılı derin öğrenme tabanlı model olarak öne çıkmıştır. Çalışmada ayrıca Transformer tabanlı modellerde incelendi. Belirteç tabanlı tablolu Transformer model %97,25'lik R-kare ve %7,53'lük MAPE metrik değerleriyle en iyi sonucu alan Transformer tabanlı model oldu.
Özet (Çeviri)
The main objective of this study is to examine the primary factors determining electricity prices in the Türkiye electricity market and to develop different models for predicting the Day Ahead Market Price (DAMP). Reliable electricity price prediction is critical to improving market efficiency, strengthening risk management strategies, and supporting data-driven decision-making for both market participants and policymakers. The dataset used in the analysis has a comprehensive variable structure, including electricity consumption, renewable and thermal generation, and international commodity prices. The analyses in this study show that commodity prices, particularly those of fossil fuels, have a substantial impact on electricity prices. Within the scope of the study, electricity price predictions were performed at both hourly and daily time resolutions, and the performance of various machine learning, deep learning, and Transformer models was compared. Besides, the results were analyzed using explainable artificial intelligence methods, and efforts were made to understand the relationship between the model outputs (DAMP) and futures. Among traditional machine learning models, the Extra Trees Regressor achieved the highest predictive performance, with an R-squared of 98.27% and an MAPE of 6.02%. Among DL models, LSTM, BiLSTM, GRU, and CNN+BiLSTM were examined; the BiLSTM-based DL model stood out as the most successful, with an R-squared of 96.11% and an MAPE of 8.91%. Moreover, Transformer-based models were examined in the study. The Token-Based Tabular Transformer model achieved the best results, with R-squared values of 97.25% and MAPE values of 7.53%.
Benzer Tezler
- Farklı katı yakıt türlerinin üst ısıl değerlerinin çoklu lineer regresyon, karar ağacı, random forest ve yapay sinir ağları yöntemleriyle belirlenmesi
Prediction of calorific value of solid fuel by multiple linear regression, decision tree, random forest and artificial neural network
KAAN BÜYÜKKANBER
Yüksek Lisans
Türkçe
2022
Kimya Mühendisliğiİstanbul Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. HANZADE AÇMA
- The empirical analysis of international climate policies for energy decisions
Uluslararası iklim politikalarının enerji kararları için ampirik analizi
MUHAMMED MÜCAHİT DENK
Doktora
İngilizce
2025
EnerjiKoç ÜniversitesiEndüstri Mühendisliği ve Operasyon Yönetimi
PROF. DR. CEYDA OĞUZ
- Türkiye enerji piyasasının makine öğrenmesi uygulamasıyla düşük-karbon salımına geçişte ajan temelli modellenmesi
Turkish energy market agent-based modeling for low-carbon transition with machine learning application
BURAK GÖKÇE
Doktora
Türkçe
2026
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
PROF. DR. GÜLGÜN KAYAKUTLU
- Türkiye'nin saatlik elektrik piyasa takas fiyatının üstel gauss süreç regresyonu kullanılarak modellenmesi
Modeling turkey's hourly electricity market clearing price using exponential gaussian process regression
VİSAL ÖZDEMİR
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET YILMAZ
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER