PORTEKİZ GÜN ÖNCESİ ELEKTRİK FİYATLARININ DERİN ÖĞRENME YÖNTEMİYLE TAHMİNİ: ZAMAN SERİLERİ İÇİN SİNİRSEL TEMEL GENİŞLEME ANALİZİ MODELİ

Burak Şafak; Oğuz Kırat; Alper Çiçek

doi:10.17780/ksujes.1736690

TR EN

PORTEKİZ GÜN ÖNCESİ ELEKTRİK FİYATLARININ DERİN ÖĞRENME YÖNTEMİYLE TAHMİNİ: ZAMAN SERİLERİ İÇİN SİNİRSEL TEMEL GENİŞLEME ANALİZİ MODELİ

Öz

Elektrik piyasalarında fiyat tahmini, arz-talep dengesinin sağlanması ve piyasa katılımcılarının stratejik kararlar alabilmesi açısından kritik bir rol oynamaktadır. Gün öncesi piyasalarda fiyat dalgalanmalarının doğru tahmini, enerji ticareti ve planlama süreçlerinde önemli avantajlar sunmaktadır. Bu bağlamda, derin öğrenme tabanlı modeller, fiyat tahmini açısından büyük önem taşımaktadır. Bu çalışmada, Portekiz gün öncesi elektrik piyasasında piyasa takas fiyatı tahmini için Yenilemeli Sinir Ağı (Recurrent Neural Network, RNN), Uzun-Kısa Süreli Bellek (Long Short-Term Memory - LSTM), Kapılı Tekrarlayan Birim (Gated Recurrent Unit - GRU) ve Sinirsel Taban Genişletme Analizi (Neural Basis Expansion Analysis for Time Series - N-BEATS) modelleri kullanılmıştır. Modellerin eğitimi ve test edilmesi sürecinde, Portekiz gün öncesi elektrik piyasasından alınan gerçek piyasa verileri kullanılmış ve tahminler yedi günlük fiyat serisi üzerinden değerlendirilmiştir. Model performansları, Ortalama Kare Hatası (Mean Squared Error - MSE), Kök Ortalama Kare Hatası (Root Mean Squared Error - RMSE) ve Ortalama Mutlak Hata (Mean Absolute Error - MAE) metrikleri ile ölçülmüştür. Elde edilen sonuçlar, N-BEATS modelinin en iyi performansı sergilediğini göstermektedir. Bu model, MSE: 955,16 RMSE: 28.19 ve MAE: 24.06 değerleriyle diğer modellere üstünlük sağladığından gün öncesi piyasalarda fiyat tahmini için güçlü bir alternatiftir.

Anahtar Kelimeler

References

Akdere, R., Kılıç, E., & Keçecioğlu, Ö. F. (2023). Kısmi Gölgelenme Koşullarındaki FV Sistemlerin Derin Öğrenme Tabanlı Maksimum Güç Noktası Tahmini. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 26(3), 589–603. https://doi.org/10.17780/ksujes.1195499
Chung, J., Gulcehre, C., Cho, K., & Bengio, Y. (2014). Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling (Versiyon 1). arXiv. https://doi.org/10.48550/ARXIV.1412.3555
Çiçek, A., Güzel, S., Erdinç, O., & Catalão, J. P. S. (2021). Comprehensive survey on support policies and optimal market participation of renewable energy. Içinde Electric Power Systems Research (C. 201, s. 107522). Elsevier BV. https://doi.org/10.1016/j.epsr.2021.107522
Demirci, E., & Karaatlı, M. (2023). Kripto Para Fiyatlarının LSTM ve GRU Modelleri ile Tahmini, Journal of Mehmet Akif Ersoy University Economics and Administrative Sciences Faculty, Volume 10, Issue 1, Pages 134-157, https://doi.org/10.30798/makuiibf.1035314
Ehsani, B., Pineau, P. O., & Charlin L. (2024). Price forecasting in the Ontario electricity market via TriConvGRU hybrid model: Univariate vs. multivariate frameworks. Applied Energy, Volume 359, 122649, https://doi.org/10.1016/j.apenergy.2024.122649
El-Azab, H. I., Swief, R. A., El-Amary, N. H., & Temraz, H. K. (2024). Machine and deep learning approaches for forecasting electricity price and energy load assessment on real datasets. Ain Shams Engineering Journal, Volume 15, Issue 4, 102613. https://doi.org/10.1016/j.asej.2023.102613
Elman, J. L. (1990). Finding Structure in Time. Cognitive Science, 14(2), 179-211. https://doi.org/10.1207/s15516709cog1402_1
Gielen, D., Boshell, F., Saygin, D., Bazilian, M. D., Wagner, N., & Gorini, R. (2019). The role of renewable energy in the global energy transformation. Içinde Energy Strategy Reviews (C. 24, ss. 38-50). Elsevier BV. https://doi.org/10.1016/j.esr.2019.01.006

Gökçe, M. M., & Duman, E. (2024). A Deep Learning-Based Demand Forecasting System For Planning Electricity Generation. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 27(2), 511–522. https://doi.org/10.17780/ksujes.1399160
Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Içinde Neural Computation (C. 9, Issue 8, ss. 1735-1780). MIT Press. https://doi.org/10.1162/neco.1997.9.8.1735
Kabeyi, M. J. B., & Olanrewaju, O. A. (2022). Sustainable Energy Transition for Renewable and Low Carbon Grid Electricity Generation and Supply. Içinde Frontiers in Energy Research (C. 9). Frontiers Media SA. https://doi.org/10.3389/fenrg.2021.743114
Kannan, M., Sundareswaran, K., Nayak P. S. R., & Simon S. P. (2023). A Combined DNN-NBEATS Architecture for State of Charge Estimation of Lithium-Ion Batteries in Electric Vehicles. IEEE Transactions on Vehicular Technology, Volume 72, Issue 6. https://doi.org/10.1109/TVT.2023.3242269
Khan, A. A. A., Ullah, Md. H., Tabassum, R., & Kabir, Md. F. (2024, April). A Transformer-BiLSTM based Hybrid Deep Learning Approach for Day-Ahead Electricity Price Forecasting. 2024 IEEE Kansas Power and Energy Conference (KPEC), IEEE. https://doi.org/10.1109/KPEC61529.2024.10676111
Kırat, O., & Çiçek, A. (2024b, November). Artificial Intelligence Based Optimal Operation of Green Hydrogen Refueling. 2024 32nd Telecommunications Forum (TELFOR), Belgrade, Serbia, (pp. 1-4). IEEE. https://doi.org/ 10.1109/TELFOR63250.2024.10819143
Kırat, O., Çiçek, A., & Yerlikaya, T. (2024a). A New Artificial Intelligence-Based System for Optimal Electricity Arbitrage of a Second-Life Battery Station in Day-Ahead Markets. Applied Sciences, 14 (21),10032. https://doi.org/10.3390/app142110032
Li, J., Lin, T., Du, H., Li, Q., Fu, X., & Xu, X. (2023, Temmuz). A wind power prediction model based on optimized N-BEATS network with multivariate inputs. 2023 IEEE Power & Energy Society General Meeting (PESGM), IEEE. https://doi.org/10.1109/PESGM52003.2023.10253377
Li, J., Zhang, C., You, P., Yin, S., Lu, Y., & Li, C. (2024, Temmuz). A Hybrid GRU-LightGBM Model for Day-Ahead Electricity Price Forecasting. 2024 3rd International Conference on Energy and Electrical Power Systems (ICEEPS), IEEE. https://doi.org/10.1109/ICEEPS62542.2024.10693001
OMI, Polo Español S.A. (OMIE), Day-ahed Market Prices (2025, Şubat), https://www.omie.es/en, Erişim Tarihi: Mart 2025
Olivares, K. G., Challu, C., Marcjasz, G., Weron, R., & Dubrawski, A. (2023). Neural basis expansion analysis with exogenous variables: Forecasting electricity prices with NBEATSx. International Journal of Forecasting, Volume 39, Issue 2, Pages 884-900. https://doi.org/ 10.1016/j.ijforecast.2022.03.001
Oreshkin, B. N., Carpov, D., Chapados, N., & Bengio, Y. (2019). N-BEATS: Neural basis expansion analysis for interpretable time series forecasting. International Conference on Learning Representations. https://doi.org/10.48550/ARXIV.1905.10437
Paterakis, N. G., Erdinç, O., & Catalão, J. P. S. (2017). An overview of Demand Response: Key-elements and international experience. Renewable and Sustainable Energy Reviews (C. 69, ss. 871-891). Elsevier BV. https://doi.org/10.1016/j.rser.2016.11.167
Rahman, Md. S., Reza, H., & Kim, E. (2023, June). A Hybrid Deep Neural Network Model to Forecast Day-Ahead Electricity Prices in the USA Energy Market. 2023 IEEE World AI IoT Congress (AIIoT), IEEE. https://doi.org/10.1109/AIIoT58121.2023.10174342
Sefer, T., & Kaya, M. (2024). Detection of Dust on Solar Panels with Deep Learning. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 27(4), 1451–1464. https://doi.org/10.17780/ksujes.1493906
Şimşek, A. İ. (2024). Comparative Analysis of Machine and Deep Learning Methods in Estimating the Turkish Electricity Market Clearing Price. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. https://doi.org/10.35234/fumbd.1473145
Xu, Y., Huang, X., Zheng, X., Zeng, Z., & Jin, T. (2024). VMD-ATT-LSTM electricity price prediction based on grey wolf optimization algorithm in electricity markets considering renewable energy. Renewable Energy, Volume 236, 121408. https://doi.org/10.1016/j.renene.2024.121408
Yan, W., Wang, P., Xu, R., Han, R., Chen, E., Han, Y., & Zhang, X. (2025). A novel mid- and long-term time-series forecasting framework for electricity price based on hierarchical recurrent neural networks. Journal of the Franklin Institute, 362(6), 107590. https://doi.org/10.1016/j.jfranklin.2025.107590
Zhang, B., Song, C., Jiang, X., & Li, Y. (2023). Electricity price forecast based on the STL-TCN-NBEATS model. Heliyon, Volume 9, Issue 1, e13029. https://doi.org/10.1016/j.heliyon.2023.e13029

Details

Primary Language

Turkish

Subjects

Deep Learning , Power Plants

Journal Section

Research Article

Authors

Burak Şafak
0009-0001-2290-1729
Türkiye

Oğuz Kırat
0000-0003-2687-9351
Türkiye

Alper Çiçek ^*
0000-0003-4540-2276
Türkiye

Publication Date

December 3, 2025

Submission Date

July 7, 2025

Acceptance Date

November 7, 2025

Published in Issue

Year 1970 Volume: 28 Number: 4

DOI

https://doi.org/10.17780/ksujes.1736690

IZ

https://izlik.org/JA44XE96EZ

Cite

RIS / Bibtex

APA

Şafak, B., Kırat, O., & Çiçek, A. (2025). PORTEKİZ GÜN ÖNCESİ ELEKTRİK FİYATLARININ DERİN ÖĞRENME YÖNTEMİYLE TAHMİNİ: ZAMAN SERİLERİ İÇİN SİNİRSEL TEMEL GENİŞLEME ANALİZİ MODELİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 28(4), 1902-1915. https://doi.org/10.17780/ksujes.1736690

DAY-AHEAD ELECTRICITY MARKET PRICES FORECASTING IN PORTUGAL USING DEEP LEARNING: NEURAL BASIS EXPANSION ANALYSIS FOR TIME SERIES MODEL

PORTEKİZ GÜN ÖNCESİ ELEKTRİK FİYATLARININ DERİN ÖĞRENME YÖNTEMİYLE TAHMİNİ: ZAMAN SERİLERİ İÇİN SİNİRSEL TEMEL GENİŞLEME ANALİZİ MODELİ

Öz

Anahtar Kelimeler

DAY-AHEAD ELECTRICITY MARKET PRICES FORECASTING IN PORTUGAL USING DEEP LEARNING: NEURAL BASIS EXPANSION ANALYSIS FOR TIME SERIES MODEL

Abstract

Keywords

References

Details

Primary Language

Subjects

Journal Section

Authors

Publication Date

Submission Date

Acceptance Date

Published in Issue

DOI

IZ

Cite