Makale O Elektrik Piyasası ve Özelleştirmeler dele örnek olarak ise [3] ve [7] verilebilir. ARIMA ayrıca, Kaliforniya'daki elektrik fiyatlarını tahmin etmeye yönelik olan çalışmalarda fiyat serilerinin periyodik olmayan trend bileşeni ve periyodik olan bileşen şeklinde ayrıştırılarak durağan hale getirilmesi ve sonrasında tahmin edilmesi yöntemi ile mevsimsel modellerde (SARI MA) de kullanılmıştı r[8,9]. Söz konusu çalışmaların bazılarında dikkat çeken önemli bir ayrıntı, fiyatlardaki ani yükseliş veya düşüşlerin modelde öğrenme sorunlarına yol açtığı için veri setinin model çalıştırılmadan bir ön işleme tabi tutulması ve böylelikle bazı aşı rılı kların giderilmeye çalışı lmasıdı r. Örneğin [4], [ 1] ve [ 1 O]da yapılan çalışmalarda setin genelinden büyük farlı lıklar gösteren fiyat değerleri çeşitli yöntemlerle trende uyumlu hale getirilmiştir. Serbest bir piyasada fiyatların tamamen arz-talep dengesine bağlı olarak, sistemin dengelenmesi amacıyla ilgili saat için havuzda işlem gören elektrik enerjisi miktarı ile sunulan fiyat teklifleri tarafından belirlendiği göz önüne alındığında, sadece Bilindiği üzere, bahsedilen AR, ARMA, ARI MA gibi doğrusal ekonometrik modeller hata terimleri için değişmeyen varyans varsayımına dayanmaktadır. Ancak finansal zaman serilerinde olduğu gibi spot elektrik piyasası fiyatlarında da değişen varyans problemi ile sıkça karşı laşılmaktadır. Bu sorunu gidermek için ise [ 1 S]te geliştirilen ARCH ve onun genelleştirilmiş hali olan GARCH modellerinden faydalanı lmaktadır. ARCH veya GARCH, tek başı na elektrik fiyatı modellemelerinde iyi sonuç vermediğinden genellikle AR, ARMA veya ARIMA ile kurulan modellerle birlikte kullanılmaktadı r[I]. Bu kapsamdaki çalışmalardan [ 16]da ARMA-GARCH kullanılarak İskandinav ülkeleri ve Almanya için[ l 7]de ise ARMAX-GARCH kullanılarak Almanya fiyat tahmini yapı lmış ve GARCH'ın sonuçları iyileştirdiği görülmüştür. [ 1 8]'deki çalışmada ise ARIMA-GARCH modelinin sadece ARI MA'ya göre çok daha iyi sonuçlar verdiği ancak bunun sadece fiyatlarda yüksek değişkenlik ve aşırılıkların bulunduğu durumlarda geçerli olduğu sonucuna varı lmıştır. fiyat serilerine dayalı bir modelin çok iyi sonuçlar veremeye- Elektrik fiyatlarındaki ani yükseliş ve düşüşlerin aşı rı mikceğini tahmin etmek güç değildir. Nitekim, [1O] dışsal veri tarlarda olabilmesi, fiyat tahminine yönelik çalışmaları birolarak sistem yükünün (talep tahmini) kullanıldığı durumlar- birinden farklı özellikler gösteren normal ve yüksek fiyat da tahmi n performansının daha iyi olduğu sonucuna ulaşmış- rejimlerinin arasında geçiş sağlayan doğrusal olmayan metır. [4)te yapılan karşılaştırmalı model analizi neticesinde de, kanizmalarının araştı rılmasına yönlendirmiştir. fiyatın yanı sıra talebin de dahil edildiği dinamik regresyonda ve fiyat ile talep arasında bir ilişki kuran transfer fonksiyonu modelinde daha başarılı sonuçlar elde edilmiştir. Dinamik regresyon ve transfer fonksiyonu içeren ver benzer bir ilişkiyi ortaya koyan diğer bir çalışma da [ 1 1 )de yapılmıştır. Dışsal bağımsız değişkenlerin kullanı lmasıyla ilgili diğer çalışmalara bakı ldığında, [ l 2)de doğalgaz fiyatlarının, kullanılabilir nükleer kapasitenin, sıcaklığın ve yağışın; [ l 3]te sıcaklı k, Bu türdeki geçiş mekanizmaları , hangi rejimin tercih edileceğine gözlenebilir bir değişken ile karar verilebilen ( dolayısıyla geçmişte veya şimdiki zamanda hangi rejimin kesin bir şekilde bili nebildiği) veya gözlenemeyen gizli bir değişken ile karar verilebilen (diğer bir ifadeyle hangi rejimde bulunulduğunun sadece olasılıklı olarak söylenebildiği) şeklinde ikiye ayrılmaktadı r [1]. yağış, barajlardaki su seviyesi ile vadeli işlem piyasasındaki Bu kapsamdaki çalışmalara örnek olarak, [1O] ile [ l 9]daki fiyatın; [ l 4]te ise doğalgaz fiyatlarının kurulan modellere önceki dönem fiyatlarını baz alan bir eşik fonksiyonu (T) ile dahil edildiği görülmektedir. birlikte AR ve dışsal bir değişken olarak sistem yükünün de eklendiği ARX modelleri ve yine geçmiş dönem fiyatlarının Dışsal değişken kullanımı ile ilgili yapı lan bu çalışmalardan, analizine dayalı olarak rejimler arası değişimi Markov değişim değişkenlerin çalışılan piyasadaki kurulu kapasitenin da- modeli ile açıklayan [20,2 1]deki çalışmalar gösterilebilir. ğılımı ile ilgili yapısal özellikleri yansıtmaya yönelik olarak seçildiği söylenebilir. Zira, termik santrallerin çok olduğu Elektrik fiyatlarının tahmininde sıkça kullanılan diğer bir araç bir piyasada yakıt fiyatlarının ve verimi önemli oranda etki- da yapay sinir ağlarıdır (YSA). YSA'lerin tercih edilme nedeni leyen sıcaklığın veya hidroelektrik santrallerin çok olduğu konvansiyonel yöntemler ile modellenmesi güç olan karmabir piyasada yağış ve rezervuar seviyelerini n modele dahil şık ve doğrusal olmayan ilişkileri öğrenme kabiliyetine sahip edilmesi gayet anlamlıdır. olmalarıdır [22). YSA'lar, her ne kadar ilgili sürecin altında 52 ENERJi ve ÇEVRE DÜNYASI EKIM2012
RkJQdWJsaXNoZXIy MTcyMTY=