Enerji piyasalarında fiyat tahmini: veriden modele adım adım

Fiyat tahmininden ne beklenir, neyi tahmin ederiz?

Elektrik gibi saklanması zor bir ürünün fiyatı, arz ve talebin her saat dengelenmesiyle oluşur. Bu yüzden fiyat tahmini, hisse senedi tahmininden farklıdır: fiyatın arkasında fiziksel bir sistem vardır ve bu sistemin davranışı tahmin edilebilir kalıplar taşır. Tahminin amacı çoğu zaman tek bir kesin sayı bulmak değil, karar için yeterince güvenilir bir aralık ve eğilim elde etmektir; örneğin bir üretici ne zaman satış yapacağına, bir tüketici ne zaman yükünü kaydıracağına bu çıktıyla karar verir.

İlk iş, tahmin edilecek şeyi tanımlamaktır: gün öncesi piyasası saatlik fiyatı mı, dengeleme fiyatı mı, haftalık ortalama mı? Ufuk (ertesi gün mü, gelecek hafta mı) ve kullanım amacı (alım-satım, bütçe, sözleşme) model seçiminden önce netleşmelidir.

Fiyatı etkileyen değişkenler

Elektrik fiyatı genelde şu etkenlerin birleşiminden oluşur:

• Talep: Hava sıcaklığı, mevsim, saat, hafta içi ve hafta sonu farkı, resmi tatiller
• Yenilenebilir üretim: Rüzgâr ve güneş üretimi yüksekse pahalı santraller devre dışı kalır ve fiyat düşer; hidroloji de barajlı üretimi etkiler
• Yakıt maliyeti: Doğal gaz ve kömür fiyatı, marjinal santralin maliyetini belirler
• Arz kesintileri: Planlı bakım ve beklenmeyen santral arızaları
• Şebeke kısıtları ve ithalat-ihracat durumu
• Piyasa kuralları: Fiyat tavanı ve tabanı, teklif davranışı

Bu değişkenlerin bir kısmı önceden bilinir (takvim, planlı bakım), bir kısmı tahmin edilmesi gereken yardımcı tahminlerdir (hava durumu, rüzgâr üretimi). Fiyat modelinin kalitesi, çoğu zaman bu yardımcı tahminlerin kalitesine bağlıdır.

Adım adım veri hazırlığı

Modelden önce veri yapılandırılır. Türkiye gibi saatlik fiyatlanan piyasalarda veri, piyasa işletmecisinin şeffaflık platformundan ve meteoroloji kaynaklarından toplanır; veri tipleri şunlardır: geçmiş saatlik fiyat, gerçekleşen ve tahmini talep, yenilenebilir üretim, planlı kesintiler, yakıt fiyatı ve hava verisi.

Hazırlık adımları şöyledir. Önce zaman damgaları hizalanır; saat dilimi ve yaz saati geçişleri sık hata kaynağıdır. Eksik değerler kaynak mantığına uygun biçimde doldurulur ya da kaldırılır. Aykırı değerler (fiyat sıçramaları) silinmeden önce gerçek mi, veri hatası mı olduğu kontrol edilir; çünkü gerçek sıçramalar modelin öğrenmesi gereken risklerdir.

Sonra özellik üretilir: gecikmeli fiyatlar (dün aynı saat, geçen hafta aynı saat), takvim bilgileri, hareketli ortalamalar ve yardımcı tahminler. Örnek bir satır:

df["gecen_hafta_ayni_saat"] = df["fiyat"].shift(HAFTALIK_ADIM)

Burada HAFTALIK_ADIM, veri saatlikse bir haftaya karşılık gelen satır sayısıdır. En kritik kural, tahmin anında bilinemeyecek bir verinin modele sızmamasıdır.

Model seçimi: basitten karmaşığa

Yöntemler basitten karmaşığa doğru sıralanır ve her biri bir öncekiyle karşılaştırılır.

Referans (benchmark) model: “Geçen haftanın aynı saatindeki fiyat bu saatin tahminidir” gibi basit kurallar. Karmaşık bir model bu referansı geçemiyorsa değer katmıyordur.

İstatistiksel modeller: Dış değişkenli zaman serisi modelleri, doğrusal regresyon. Yorumlanabilir ve hızlıdır.

Ağaç tabanlı ve topluluk modelleri: Doğrusal olmayan ilişkileri yakalar, çok sayıda değişkenle iyi çalışır.

Derin öğrenme: Zaman serisi sinir ağları uzun bağımlılıkları öğrenebilir ama daha çok veri, ayar ve dikkat ister.

Olasılıksal tahmin: Tek bir değer yerine, belirli olasılıkla fiyatın hangi aralıkta kalacağını verir. Risk yönetimi için nokta tahminden daha kullanışlıdır.

Çoğu zaman iyi bir yaklaşım, birkaç modeli birleştirmek ve karmaşıklığı yalnızca ölçülebilir fayda sağladığında artırmaktır.

Başarıyı nasıl ölçeriz?

Hata ölçümü modelin işe yarayıp yaramadığını söyler. Yaygın ölçütler şunlardır: ortalama mutlak hata (gerçek ile tahmin farkının mutlak değerlerinin ortalaması), karekök ortalama kare hata (büyük hataları daha çok cezalandırır) ve yüzdesel hata ölçütleri. Fiyat çok düşük, tabana yakın ya da negatif olduğunda yüzdesel ölçütler anlamsızlaşır; bu yüzden piyasa bağlamına göre uygun ölçüt seçilir.

Doğrulama zamana uygun yapılır: model geçmişte eğitilir, gelecek dönemde sınanır ve pencere ileri kaydırılarak tekrarlanır (kayan başlangıçlı geriye dönük test). Rastgele bölme zaman serilerinde sızıntıya yol açar ve sonuçları olduğundan iyi gösterir. Ayrıca hatanın saatlere, mevsimlere ve fiyat sıçraması günlerine göre dağılımı incelenir; genel ortalama iyi görünürken sıçrama günlerinde başarısız bir model, karar için işe yaramaz.

Örneğin bir toptan alım yapan işletme için en önemli soru, modelin ortalamada ne kadar yakın olduğu değil, pahalı saatleri doğru yakalayıp yakalamadığıdır. Bu nedenle hata, fiyat dilimlerine ayrılarak raporlanır ve modelin pahalı saat tespitindeki başarısı ayrıca değerlendirilir. Aynı model bütçe planlaması için yeterli, saatlik alım kararı için yetersiz olabilir.

Sık yapılan hatalar ve karar desteği olarak kullanım

• Zaman sızıntısı: Tahmin anında bilinemeyecek bir veriyi (gerçekleşen üretimi) özellik olarak kullanmak
• Referans modelle karşılaştırmadan karmaşık modele güvenmek
• Yapısal değişimleri unutmak: Piyasa kuralı, yakıt rejimi ya da kapasite değiştiğinde eski veri yanıltabilir
• Yalnızca nokta tahmin üretmek ve belirsizliği saklamak
• Modeli bir kez eğitip güncellemeden bırakmak
• Veri hizalama hatalarını (saat dilimi) fark etmemek

Tahmin, tek başına karar değil karar desteğidir. Senaryo analizi bu yüzden önemlidir: yakıt fiyatı yükselirse, rüzgâr üretimi beklenenden düşük kalırsa fiyat nasıl değişir? Modelin çıktısı bu senaryolarla birleştirilir ve alım, satım ya da yük kaydırma kararına dönüştürülür.

Bu beceriyi Mindset programında nerede çalışırsınız?

Mindset kataloğundaki Enerji Piyasalarında Fiyat Tahmini ve Analitik Modeller programı bu akışı modüllerle karşılar: Elektrik Fiyat Dinamikleri, Veri Hazırlığı ve Değişken Seti, Talep ve Yenilenebilir Üretim Tahmini, Fiyat Tahmin Modelleri, Performans Ölçümü ve İyileştirme ile Karar Desteği ve Senaryo Kullanımı.

Program enerji ticareti ve portföy yönetimi yapan analistler, tedarik ve satış birimleri ile elektrik maliyeti yüksek tesislerin enerji yöneticileri için uygundur. Kurumsal ekipler için faydası, tahminin neden doğru ya da yanlış çıktığını ortak bir dille tartışabilmek ve modeli iş kararına bağlayabilmektir.