Publication: Implementing support vector regression method in electricity price forecasting
Abstract
Düzensiz elektrik piyasalarında, risk yönetim stratejilerini geliştirmek ve pazar katılımcılar için karar verme süreci, elektrik fiyat tahmininde kritik bir konudur. Bu tezde, elektrik fiyatları eğitmek ve tahmin etmek için Destek Vektor Regresyon (SVR) yöntemi kullanılmıştır çünkü birçok gerçek dünya sorunlarını olağanüstü performansıyla çözmüştür. Ancak, en iyi istenen sonuçları elde etmek için SVR hiper parametreleri uygun şekilde belirlenmelidir. Diğer taraftan, fiyat tahmininde kullanılan birçok özellik vardır ve yüksek olasılıkla bazıları alakasız ya da gereksizdir. Bu nedenle, bu özellikler ilgili alt kümesini seçmek için gerekli görünmektedir. Bu çalışmanın amacı, gün öncesi Türkiye elektrik piyasasında elektrik fiyatını basit olası bir model ve aynı zamanda yüksek hassasiyetle tahmin etmektir. Alt kümesi seçimi özelliği gibi SVR’ın uygun parametre seçiminde de önemli SVR öngörü doğruluğunu artırabilir. Doğa esinli algoritmaların (NIH) parametre belirlenmesi ve alt kümesi seçimi özelliği gücü nedeniyle, bu çalışmada SVR hiper parametreleri belirlenmesi ve aynı anda alt kümesi seçimi özelliğinde NIH teknikleri kullanılmıştır. Yapay arı koloni algoritması (ABC), SVR ile Türkiye Gün Öncesi elektrik piyasa fiyatı tahmini dolayısıyla eşzamanlı parametre belirlenmesi ve alt kümesi seçimi özelliğiyle kullanılmıştır. Performans ve modelimizin etkinliğini anlama amacıyla, Parçacık Sürü Optimizasyonu algoritması (PSO) karşılaştırmak için kullanılmıştır. Sonuçlar ABC’nin PSO'dan daha iyi performans ve sonuçlar verdiğini göstermektedir.
In deregulated electricity markets, electricity price prediction is a critical issue to develop risk management strategies and decision making process for market contributors. In this thesis, Support Vector Regression (SVR) used to train and predict electricity prices because of its outstanding performance in solve many real world problems. But in order to achieve best desirable results, SVR hyper-parameters should be determined appropriately. On the other hand, there are many features used in price forecasting and with high possibility some of them are irrelevant or redundant. Because of this reason it seems necessary to select relevant subset of features. The aim of this study is to predict day-ahead electricity price in Turkey electricity market with high accuracy and also with simple possible model. Feature subset selection as well as convenient parameter selection of the SVR can improve the SVR prediction accuracy considerably. Due to ability of the nature inspired heuristic (NIH) in both parameter determination and feature subset selection, this study attempt to use NIH techniques to SVR hyper-parameters determination and feature subset selection simultaneously. Artificial bee colony algorithm (ABC), used to simultaneous parameter determination and feature subset selection due to Turkey Day-Ahead electricity market price prediction with SVR. In order to figure out performance and efficiency of model, Particle Swarm Optimization algorithm (PSO) used for comparison. Results show that the ABC outperforms the PSO and gives better results.
In deregulated electricity markets, electricity price prediction is a critical issue to develop risk management strategies and decision making process for market contributors. In this thesis, Support Vector Regression (SVR) used to train and predict electricity prices because of its outstanding performance in solve many real world problems. But in order to achieve best desirable results, SVR hyper-parameters should be determined appropriately. On the other hand, there are many features used in price forecasting and with high possibility some of them are irrelevant or redundant. Because of this reason it seems necessary to select relevant subset of features. The aim of this study is to predict day-ahead electricity price in Turkey electricity market with high accuracy and also with simple possible model. Feature subset selection as well as convenient parameter selection of the SVR can improve the SVR prediction accuracy considerably. Due to ability of the nature inspired heuristic (NIH) in both parameter determination and feature subset selection, this study attempt to use NIH techniques to SVR hyper-parameters determination and feature subset selection simultaneously. Artificial bee colony algorithm (ABC), used to simultaneous parameter determination and feature subset selection due to Turkey Day-Ahead electricity market price prediction with SVR. In order to figure out performance and efficiency of model, Particle Swarm Optimization algorithm (PSO) used for comparison. Results show that the ABC outperforms the PSO and gives better results.