Fonksiyonel otoregresif model ile Türkiye elektrik talep tahmini

Abstract

Elektrik enerjisi, ulaşım, sanayi, sağlık ve teknoloji gibi birçok alanda vazgeçilmez ve zorunlu ihtiyaç haline gelmiştir. Geniş bir tüketim alanına sahip bu enerjinin dengesinin korunup sürdürülebilir bir şekilde devam etmesi için arz ve talep dengesi, fiyatlandırması, iletim ve dağıtım planlanmasının çok iyi yapılması gerekmektedir. Elektrik enerjisi depolanmadığı için kullanılan kaynakların israfının önlenmesi ve aynı zamanda elektriğin üretildiği an tüketilmesi gerekmektedir. Türkiye elektrik piyasasının temel amacı, enerji talebinin öngörerek üretim planlanması yapmak, buna göre fiyat teklifi vermek ve sistem dengesini bozmadan elektrik üretmektir. Türkiye, elektrik kaynakları olarak büyük oranda dışa bağımlı bir durumdadır. Elektrik talebinin tutarlı bir şekilde öngörülememesi durumunda arz-talep arasındaki dengesizlik nedeniyle ülke ekonomisi zarar görebilir, elektrik kesintileri yaşanabilir ve kaynaklar israf olabilir. Bu tez çalışmasında elektrik talebinin doğru bir şekilde öngörülenmesi için fonksiyonel otoregresif modeline dayanan yeni bir yöntem önerilmiştir. Fonksiyonel veri, kesikli zaman noktalarında gözlemlenen verilerin interpolasyon ve düzgünleştirme teknikleri ile fonksiyonlar halinde ifade edilmesi olarak düşünülebilir. Literatürdeki çalışmalar, fonksiyonel veri analizi yöntemlerinin verilerin büyük ve karmaşık yapıda olduğu durumlarda klasik istatistiksel modelleme yöntemlerinden daha iyi sonuçlar ürettiğini göstermiştir. Fonksiyonel otoregresif modeller genellikle bağımlı değişkenin gecikmeli değerlerinin bağımsız değişken olarak kullanılması ile geliştirilmiştir. Ancak, bazı durumlarda bağımlı değişkeni etkileyen birden çok bağımsız değişken olabilir ve bu değişkenlerin modele dahil edilmesi gerekebilir. Elektrik talebini en çok etkileyen faktör sıcaklıktır. Önerilen yöntem, literatürde mevcut olan fonksiyonel zaman serileri modellerinden farklı olarak modelde bir dışsal değişkenin kullanılmasına izin vermektedir. Diğer bir ifade ile, önerilecek yöntemde elektrik tüketimi ve sıcaklık verilerinin gecikmeli değerleri bağımsız değişkenler olarak kullanmaktadır. Önerilen yöntemin performansı, Türkiye’ye ait elektrik talebi ile ilgili bir veri seti kullanılarak test edilmiş ve model performansı bu amaçla kullanılan mevcut yöntemler ile karşılaştırılmıştır. Elde edilen sonuçlar önerilen yöntemin mevcut yöntemlere kıyasla daha doğru tahminler ürettiğini göstermiştir. Dolayısı ile, önerilen yöntem ile elde edilecek tahminler sayesinde elektrik üretim şirketleri öngörülen tüketime göre üretimlerini planlayabilir, kaynak israfı ve/ veya finansal açıdan zarara uğramalarını engelleyebilir, arz talep arasındaki dengesizliği en aza indirebilir.

Electrical energy has become an indispensable and compulsory need in many fields, such as transportation, industry, health, and technology. In order to maintain the balance of this energy sustainably, its supply and demand balance, pricing, transmission, and distribution planning must be done properly. Since the electrical energy is not stored, it is necessary to prevent the waste of the resources and at the same time to consume the electricity the moment it is produced. The main aim of the Turkish electricity market is to make production planning by anticipating the energy demand, to bid accordingly and to produce electricity without disturbing the system balance. Turkey is highly dependent on foreign sources in terms of electricity resources. If electricity demand cannot be forecasted accurately, the country's economy may suffer, power outages may occur, and resources may be wasted due to the imbalance between supply and demand. In this thesis, a functional autoregressive model-based approach is proposed to forecast the electricity demand accurately. Functional data can be thought of as the expression of data observed at discrete time points as functions with interpolation and smoothing techniques. Existing studies in this area have shown that functional data analysis methods produce better results than classical statistical modeling techniques when the data is large and complex. Functional autoregressive models are generally proposed by using the lagged values of the dependent variable as the independent variable. However, in some cases, there may be some external variables affecting the dependent variable and these variables may need to be included in the model. The most influential factor in electricity demand is temperature. Unlike the existing functional time series method, the proposed method allows the use of an exogenous variable in the model. In other words, in the proposed method, the lagged-values of consumption and temperature are used as independent variables. By examining the historical data, the data will be used in the model by separating the data into weekdays, weekends, and special days (religious, public holidays, etc.) and the forecasts will be obtained accordingly. The finite-sample performance of the proposed method is evaluated using an empirical Turkey’s electricity demand dataset and its performance is compared with those of existing methods. Our results reveal that the proposed method produces improved forecasts than those of existing methods. Thus, the proposed method may allow the electricity generation companies to plan their production according to the anticipated consumption, prevent them from wasting resources and/ or financially, and minimize the imbalance between supply and demand.