Enerji Piyasalarında Ticari Davranış Tespiti İçin bir Karar Destek Sistemi-Reference-Cited by-同舟云学术

Enerji Piyasalarında Ticari Davranış Tespiti İçin bir Karar Destek Sistemi

Published:2024-06-29 Issue:2 Volume:12 Page:625-643
ISSN:2147-9526
Container-title:Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji
language:
Short-container-title:

Author:

Avcı Ezgi¹^ORCID

Affiliation:

1. TED ÜNİVERSİTESİ

Abstract

Enerji piyasalarında artan karmaşıklık ve düzenleme ihtiyacı, ticari faaliyetlerin izlenmesi ve değerlendirilmesi için yenilikçi araçların geliştirilmesini zorunlu kılmaktadır. Bu çalışma, piyasa katılımcılarının davranışlarını yapay öğrenme tekniklerini ve büyük veri analitiğini kullanarak ticari davranışları yüksek bir doğrulukla tespiti yapan bir karar destek sistemini (KDS) ortaya koymaktadır. Söz konusu KDS, piyasa katılımcılarının takip etmek istedikleri santral ve/veya santral tipine göre LGBM ile ticari davranış skorlaması yaparak piyasadaki ana oyuncuların ticari davranış tespit edebilmekte ve bu sayede piyasa katılımcılarının veriye dayalı teklif verebilmelerini sağlamaktadır.

Funder

TUBİTAK

Publisher

Gazi Universitesi Fen Bilimleri Dergisi Part C: Tasarim ve Teknoloji

Reference37 articles.

1. [1] Borenstein, S., Bushnell, J. B., & Wolak, F. A. (2002). Measuring market inefficiencies in California’s restructured wholesale electricity market. American Economic Review, 92(5), 1376–1405.

2. [2] Li, B., Wang, X., Shahidehpour, M., Jiang, C., & Li, Z. (2019). DER aggregator’s data-driven bidding strategy using the information gap decision theory in a non-cooperative electricity market. IEEE Transactions on Smart Grid, 10(6), 6756–6767.

3. [3] Xu, X., Yan, Z., Shahidehpour, M., Li, Z., Yan, M., & Kong, X. (2020). Data-driven risk-averse two-stage optimal stochastic scheduling of energy and reserve with correlated wind power. IEEE Transactions on Sustainable Energy, 11(1), 436–447.

4. [4] Dehghanpour, K., Nehrir, M. H., Sheppard, J. W., & Kelly, N. C. (2016). Agent-based modeling in electrical energy markets using dynamic Bayesian networks. IEEE Transactions on Power Systems, 31(6), 4744–4754. https://doi.org/10.1109/TPWRS.2016.2524678

5. [5] Guo, H., Chen, Q., Xia, Q., & Kang, C. (2021). Deep inverse reinforcement learning for objective function identification in bidding models. IEEE Transactions on Power Systems, 36(6), 5684–5696.