Makine Öğrenmesi Yöntemleri Kullanarak Gün Öncesi Elektrik Fiyat Tahmini: Türkiye Elektrik Piyasası Üzerine Bir Uygulama

Abstract

Elektrik fiyatlarının doğru bir şekilde tahmin edilmesi, enerji üreticileri, tüketiciler ve piyasa düzenleyicileri için stratejik karar alma süreçlerinde büyük önem taşımaktadır. Gelişmiş veri analitiği ve makine öğrenimi yöntemlerinden yararlanılarak doğru ve güvenilir fiyat tahminleri elde edilebilmekte; böylece piyasa katılımcıları operasyonel maliyetlerini optimize edebilmekte, risk yönetimini iyileştirebilmekte ve rekabet avantajı sağlayabilmektedir. Bu çalışmada, Türkiye elektrik piyasasında gün öncesi elektrik fiyatlarının tahmini amacıyla literatürde yer alan tahmin çalışmalarında kullanılan makine öğrenmesi metotları kullanılmıştır. Makine öğrenmesi metotlarının tahmin performanslarını karşılaştırmak amacıyla, analizler Enerji Piyasaları İşletme A.Ş. (EPİAŞ) ve Meteoroloji Genel Müdürlüğü verileri kullanılarak gerçekleştirilmiştir. Karşılaştırma kapsamında LSTM, SVM, Random Forest, Gradient Boosting ve XGBoost gibi çeşitli yöntemler uygulanmıştır. Elde edilen sonuçlar, XGBoost algoritmasının, en düşük hata oranlarına ve en yüksek doğruluk skorlarına sahip olarak en başarılı model olduğunu göstermektedir. Ayrıca, algoritmanın hızlı hesaplama kabiliyeti, gerçek zamanlı uygulamalarda kullanılabilirliğini desteklemektedir. Modelin açıklanabilirliğini artırmak ve tahmin sonuçlarını etkileyen temel değişkenleri belirlemek amacıyla Shapley Additive Explanations (SHAP) yöntemi uygulanmıştır. Yapılan analizler, elektrik fiyatlarındaki artış ile doğalgaz bazlı elektrik üretimindeki yükseliş arasında güçlü bir korelasyon olduğunu ortaya koymuştur. Bu çalışmanın bulguları, XGBoost algoritmasının enerji sektöründe fiyat tahmini ve stratejik karar destek süreçleri açısından etkili bir araç olduğunu vurgulamaktadır.

Accurate forecasting of electricity prices is critically important for strategic decision-making processes among energy producers, consumers, and market regulators. By leveraging advanced data analytics and machine learning methods, accurate and reliable price predictions can be obtained, enabling market participants to optimize operational costs, enhance risk management, and gain competitive advantages. In this study, machine learning methods commonly utilized in existing literature were applied to forecast day-ahead electricity prices in the Turkish electricity market. To compare the predictive performance of these machine learning methods, analyses were conducted using datasets provided by Energy Exchange Istanbul (EPİAŞ) and the Turkish State Meteorological Service. The comparative analysis involved various machine learning techniques, including LSTM, SVM, Random Forest, Gradient Boosting, and XGBoost. The results indicated that the XGBoost algorithm performed the best, achieving the lowest error rates and highest accuracy scores among the evaluated models. Additionally, the algorithm's rapid computational capabilities underscore its suitability for real-time applications. To enhance the interpretability of the model and identify key variables influencing forecasting outcomes, the Shapley Additive Explanations (SHAP) method was implemented. The analyses further revealed a strong correlation between rising electricity prices and increased natural gas-based electricity generation. The findings of this study highlight the effectiveness of the XGBoost algorithm as a valuable tool for electricity price forecasting and strategic decision support processes in the energy sector.