Geliştirilmiş grid VMD Resnet‑BiLSTM algoritmasına dayalı elektrik enerjisi veri elemanı ticaret fiyatı tahmin modeli

Yarınki elektrik fiyatı neden sizin için önemli

Bir fabrika işletiyor, bir rüzgâr çiftliğini yönetiyor ya da yalnızca bir ev faturası ödüyor olun, elektrik fiyatı günlük yaşamı ve uzun vadeli planlamayı şekillendirir. Modern şebekelere daha fazla rüzgâr ve güneş enerjisi girdikçe fiyatlar geçmişe kıyasla daha keskin ve daha az öngörülebilir dalgalanmalar gösteriyor. Bu çalışma, piyasa işletmecileri, üreticiler ve tüketicilerin daha temiz ama daha değişken bir enerji sisteminde daha akıllı kararlar almasına yardımcı olarak, bir gün öncesine ilişkin elektrik fiyatlarını daha doğru ve güvenilir şekilde tahmin etmenin yeni bir yolunu sunuyor.

Güneş ve rüzgârdan gelen güç ve yeni fiyat iniş‑çıkışları

Yazarlar, elektrik arzının büyük bir kısmını güneş ve rüzgârın karşıladığı ve iki yüksek kapasiteli iletim hattının dengesizlikleri yumuşatmaya yardımcı olduğu Yeni Güney Galler, Avustralya’daki gerçek bir güç sistemine odaklanıyor. Elektrik tüketildiği anda üretilmek zorunda olduğundan ani bulutlanmalar, rüzgârın durması veya talep sıçramaları fiyatları dakikalar içinde hızla yükseltip düşürebilir. Geleneksel istatistiksel araçlar ve temel makine öğrenmesi modelleri bu tür gürültülü, yüksek derecede doğrusal olmayan davranışlarla zorlanır. Ya günlük ve mevsimsel döngüler gibi uzun vadeli desenleri kaçırırlar ya da hızlı, kısa vadeli sıçramalara ayak uyduramazlar. Makale, hem geniş eğilimleri hem de fiyat verilerindeki ince taneli sarsıntıları görebilen bir tahmin sistemi nasıl tasarlanır sorusunu ele alıyor.

Karışık bir sinyali daha net parçalara ayırmak

Önerilen yöntemin ilk adımı, fiyat sinyalinin iç içe geçmiş hareketlerini net şekilde ayırmaktır. Araştırmacılar, orijinal fiyat serisini mevsimsel yavaş salınımlardan ani olayların tetiklediği hızlı sıçramalara kadar farklı değişim ritimlerini temsil eden daha basit birkaç bileşene bölmek için varyasyonel mod ayrıştırma (variational mode decomposition) adlı bir teknik kullanıyor. Ardından bu ayrıştırmayı, talep ve hava durumu gibi bilinen etkenlerle her bileşenin ne kadar güçlü ilişkili olduğunu ölçen bir istatistikle ayarlıyorlar. Olası ayarlar arasında arama yapıp karşılıklı bağımlılığı en çok artıranları seçerek, her çıkarılan bileşenin fiyatların nasıl ve neden hareket ettiğine dair gerçek bilgi taşımasını, rastgele gürültü taşımamasını sağlıyorlar.

Derin bir ağı önemli olana odaklanacak şekilde eğitmek

Fiyat serisi birkaç daha temiz katmana ayrıldıktan sonra yazarlar bu katmanları iki güçlü fikri birleştiren bir derin öğrenme yapısına besliyor. Bir residual shrinkage (kalıntı küçültme) ağı, bilgilendirici desenleri vurgulamak ve faydasız dalgalanmaları sıfıra itmek için küçük konvolüsyon filtraları ve ayarlanabilir eşikler kullanır. Bu, ana sinyalleri tutarken dağınıklığın büyük kısmını elenmiş olarak bırakan kompakt bir “özellik haritası” ortaya çıkarır; bu hem öğrenmeyi iyileştirir hem de hesaplama yükünü azaltır. Bu rafine edilmiş özellikler daha sonra zamansal seriyi ileri ve geri okuyan çift yönlü (bidirectional) bir tekrarlayan ağa verilir. Eğitim verisi içinde hem geçmiş hem gelecek bağlamına bakarak, bu ağ fiyat değişimlerinin zaman içinde nasıl oluşup çözüldüğünü daha iyi yakalayabilir.

Modeli gerçek dünyada sınamak

Ekip modelini Avustralya’ya ait yarım saatlik beş yıllık fiyat verisi üzerinde eğitiyor ve doğruluyor; 2020–2022 arası eğitim, 2023 ayar/tuning, 2024 ise test için kullanılıyor. Eksik değerleri ve aykırıları dikkatle ele alıyorlar ve yöntemlerini diğer ayrıştırma artı derin öğrenme hibritleri ile generatif tekniklere dayanan bir model dahil olmak üzere birkaç gelişmiş rakiple karşılaştırıyorlar. Standart hata ölçüleri genelinde yeni model, rakip yöntemlerin hatalarını kırıntılarına indiriyor; örneğin yıl boyunca ortalama yüzde hatası %1’in çok altında kalıyor, oysa diğerleri birkaç kat daha yüksek. Bu üstünlüğünü dört mevsim boyunca, en çalkantılı “en kötü” günlerde, ek yapay gürültü altında ve yeniden eğitmeden başka bir Avustralya bölgesine uygulandığında bile koruyarak güçlü dayanıklılık ve genelleme yeteneği gösteriyor.

Daha iyi tahminlerden daha istikrarlı piyasalara

Uzman olmayanlar için ana mesaj, daha akıllı matematik ve makine öğrenmesinin kaotik fiyat verilerini daha net, daha öngörülebilir bir tabloya dönüştürebileceğidir. Uzun vadeli eğilimleri kısa vadeli sarsıntılardan önce ayırıp ardından en bilgilendirici desenlere odaklanacak şekilde uyarlanmış bir derin öğrenme mimarisi kullanan model, çok doğru ve istikrarlı gün‑öncesi elektrik fiyatı tahminleri sunuyor. Bu düzeyde bir doğruluk, daha adil teklif verme, yenilenebilirlere daha emin yatırım ve hem büyük oyuncular hem günlük tüketiciler için daha iyi risk yönetimi sağlayabilir. Dünyanın dört bir yanındaki şebekeler daha değişken rüzgâr ve güneş enerjisini bünyelerine kattıkça, bu tür yaklaşımlar elektrik piyasalarını hem verimli hem de güvenilir tutmak için temel araçlar haline gelebilir.

Atıf: Zheng, Y., Huang, K.Q., Liu, J. et al. Electric power data element trading price prediction model based on improved grid VMD Resnet-BiLSTM algorithm. Sci Rep 16, 13720 (2026). https://doi.org/10.1038/s41598-026-40245-8

Anahtar kelimeler: elektrik fiyatı tahmini, yenilenebilir enerji entegrasyonu, derin öğrenme, zaman serisi ayrıştırması, enerji piyasası istikrarı