Toplu meta modeller ve SHAP açıklayıcıları ile elektrik fiyatı tahmini: PCA odaklı bir yaklaşım

Yarınki elektrik fiyatı neden sizin için önemli

Her ışığı açtığınızda veya dizüstü bilgisayarınızı prize taktığınızda, saat saat değişebilen fiyatların hakim olduğu geniş ve hızlı hareket eden bir elektrik piyasasına bağlısınız. Daha fazla rüzgâr ve güneş santrali devreye girdikçe bu fiyatlar daha az öngörülebilir hale geliyor—oysa doğru tahminler faturaların adil kalması, şebekenin istikrarı ve iklim hedeflerinin tutturulması için hayati önemde. Bu çalışma, yalnızca geleneksel yöntemlerden daha isabetli olmakla kalmayan, aynı zamanda piyasanın dalgalanmalarını gerçekten hangi faktörlerin yönlendirdiğini açık ve anlaşılır biçimde izah eden yeni bir elektrik fiyatı tahmin yöntemi sunuyor.

Gürültülü bir enerji dünyasını anlamak

Araştırmacılar, yenilenebilirler, gaz santralleri ve sınır ötesi ticaretin fiyatları şekillendirdiği modern bir şebekenin iyi bir örneği olan İspanya’nın elektrik sistemine odaklanıyor. İspanya’nın beş büyük şehri için dört yıllık saatlik elektrik tüketimi, santral üretimi, piyasa fiyatları ve hava verilerini bir araya getiriyorlar. Herhangi bir tahmin yapılmadan önce bu ham verileri temizliyorlar: eksik okumaları dolduruyor, bariz hataları çıkarıyor ve enerji ile hava verilerini tek, tutarlı bir resimde birleştiriyorlar. Ayrıca fiyatlar ve talebin zaman içinde kararlı desenler izleyip izlemediğini test ediyor ve saf tahmin araçlarını yanıltabilecek yıllık ve mevsimsel döngüleri araştırıyorlar.

Farklı tahmin “beyinlerini” harmanlamak

Tek bir öngörücü modele dayanmaktansa ekip, modern makine öğrenimi araçlarından oluşan küçük bir “komite” kuruyor. XGBoost gibi ağaç tabanlı yöntemler, çok sayıda girdinin arasındaki karmaşık neden-sonuç ilişkilerini ele alıyor. Dil ve görüntü üzerinde geliştirilen derin öğrenme teknikleri olan Uzun Kısa Süreli Bellek (LSTM) ağları ve konvolüsyonel sinir ağları (CNN), fiyatlardaki kısa süreli sıçramaları ve daha yavaş eğilimleri izlemek için uyarlanıyor. Hibrit bir CNN–LSTM modeli, hızlı zirveleri ve daha uzun döngüleri birlikte yakalamada özellikle iyi olurken, diğer ağlar veriyi biraz farklı açılardan görüyor. Kilit adım, tüm bu modellerin çıktılarının ya akıllı ağırlıklı bir ortalama ile ya da her “uzmana” ne kadar güvenileceğini öğrenen basit bir lineer meta-modellerle birleştirildiği toplu (ensemble) aşama.

Sinyali korurken karmaşayı azaltmak

Modern enerji piyasalarının yüzlerce örtüşen gösterge üretmesi sebebiyle çalışma, bilgiyi daha az sayıda anlamlı bileşime sıkıştırmak için Temel Bileşen Analizi (PCA) kullanıyor. Bu, eğitimi hızlandırıyor ve modellerin verideki rastgele tuhaflıklara takılma riskini azaltıyor. Aynı zamanda yazarlar gerçek dünya karmaşıklığını örtbas etmeyi reddediyor: fiyat sıçramalarını ve yapısal kopuşları siliyor yerine etiketleyerek tutuyorlar, böylece sistem fiyatların hem sakin dönemlerde hem de çalkantılı dönemlerde nasıl davrandığını öğreniyor. Dikkatli ayarlamalar ve zaman tabanlı katı bir eğitim–test ayrımı, modellerin gerçek bir kontrol odasında bir saat öncesine yönelik tahmin yapıyor olsalar nasıl performans göstereceklerini taklit ediyor.

Fiyat sürücülerinin kara kutusunu açmak

Ham doğruluk rakamlarının ötesine geçmek için araştırmacılar, her tahmini bireysel girdilerin katkılarına ayıran SHAP adlı bir yönteme başvuruyor. Bu, modellerin “mantığının” İspanyol piyasasının gerçek işleyişiyle uyumlu olup olmadığını kontrol etmelerini sağlıyor. Netice olarak şebeke işletmecisinin resmi günlük-ahead fiyat tahminleri, gerçek elektrik talebi ve sıcaklık, rüzgâr ve yağış gibi hava koşullarının tahminlerde baskın olduğunu buluyorlar. Akşam zirve saatlerindeki yüksek talep ve soğuk hava fiyatları yukarı çekiyor; güçlü rüzgâr ve öğle güneşi ise fiyatları düşürmeye eğilimli—piyasa kuralları ve merit-order etkisinin öngördüğü şekilde. SHAP, model düzeyinde de kullanılarak CNN–LSTM hibriti ile XGBoost’un topluluğun içindeki en etkili sesler olduğunu ortaya koyuyor.

Sonuçların faturalar ve şebeke için anlamı

Toz duman yatıştığında tek bir model açık ara kazanmasa da birleşik meta-model hepsinden daha iyi performans gösteriyor; tahmin hatasını bireysel yaklaşımlardan daha fazla azaltıyor ve bunu oynak dönemlerde bile güvenilir biçimde yapıyor. Kritik olarak, açıklanabilirlik katmanı bu isabetin gizemli korelasyonlardan değil, İspanyol şebekesinin gerçek ekonomik ve fiziksel davranışlarıyla uyuşan desenlerden kaynaklandığını gösteriyor. Enerji şirketleri, sistem işletmecileri ve düzenleyiciler için daha keskin tahminler ve şeffaf akıl yürütme, daha iyi planlama, daha adil piyasalar ve yenilenebilirlerin daha sorunsuz entegrasyonunu destekleyebilir. Günlük tüketiciler içinse bu, elektrik faturanızın arkasındaki gizli koreografiyi hem daha akıllı hem de daha anlaşılır kılan bir sisteme doğru atılmış bir adım demek.

Atıf: Hayati, A., Gharehveran, S.S. & Shirini, K. Electricity price forecasting with ensemble meta-models and SHAP explainers: a PCA-driven approach. Sci Rep 16, 6466 (2026). https://doi.org/10.1038/s41598-026-35839-1

Anahtar kelimeler: elektrik fiyatı tahmini, enerji piyasaları, makine öğrenimi, yenilenebilir enerji, açıklanabilir yapay zeka