Search

Ulaşım sektörünün temel enerji kaynağı olan petrolün yakın gelecekte tükenmesi beklenmekte ve petrol fiyatında oluşan dalgalanmalar özellikle petrol ithalatçısı ülkeler için finansal riskler oluşturmaktadır. Bununla beraber petrol kullanımından ötürü doğaya salınan sera gazları küresel ısınmaya ve iklim değişikliğine neden olmaktadır. Bu nedenler, alternatif enerji kaynaklarına bakılmasına yol açmıştır. Alternatiflerden biri olan elektrik, son yıllarda popülaritesi artan elektrikli araçlar nedeniyle kendini kanıtlamaya başlamış ve ciddi bir seçenek haline gelmiştir. Kullanılan ünite sayısı milyon düzeyini geçen elektrikli araçlar kişisel kullanım haricinde, filo sahibi operatörler aracılığı ile kısa zamanlı kiralanabilen bir ulaşım aracı da olmuştur. Operatör kısa zamanlı kiralama seçeneklerinden olan, bir noktadan alınıp başka bir noktaya bırakılabilen tek yönlü araç kiralama yoluyla kar elde edebilmektedir. Daha fazla kar eldesi için araç bataryalarında bulunan fazla elektrik şebekeye satılabilir mi sorusu ortaya çıkmıştır. Bataryalardaki elektriğin satımı için gün öncesi elektrik piyasasına giren operatör, oluşturulan matematiksel model ve yaptığı fiyat tahmini sonucunda gün içerisindeki zaman aralıklarında şebekeye verebileceği elekrik miktarına karar verir ve bu miktarı sağlama yükümlülüğü altına girerek kar elde etmeyi bekler. Gün içerisinde ise sahibi olduğu araçları kiralayarak ve şarj, yönlendirme, kullanım gibi maliyetleri bulunan operasyonel işlemlerini optimize ederek ve fiyat gerçekleşmesi sonucunda şebekeye verdiği elektrikten kar elde etmektedir. Bu çalışmada şebekeye verilmesi gereken elektrik miktarına karar veren ve gün içerisindeki operasyonlara karar veren iki tane model oluşturulmuştur. Bu modeller aracılığı ile şebekeye verilen elektriğin beklenen ve gerçekleşen karlılığı incelenmiş, elektrik fiyarının bilindiği ve bilinmediği durumlar karşılaştırılmış, araç kiralama talebiyle gelen müsteri kaybı incelenmiştır.Modeli test etmek aracılığıyla İstanbul Büyükşehir Belediyesi'nin ulaşım verileri kullanılmış ve modellere göre düzenlenmiştir.Yapılan testler sonucunda elektrik satışının yapıldığı durumların daha fazla kar getirildiği gözlemlenmiştir. Ayrıca, yapılan hassasiyet analizleri sonucunda elektrik araç sayısı, elektrikli araç kiralama fiyatı ve yönledirme maliyetinin oluşturuduğu değişiklikler incelenmiş ve elektrik satışının yapılmadığı seçeneklerle karşılaştırılmıştır. Bu edinimlerin sonucunda ise EA bataryalarının gün öncesi piyasasında karlı bir araç olduğu gözlemlenmiş ve bu çalışmamanın daha farklı alanları da göz önünde bulundurarak genişletilebilmesinin önünü açmıştır., The petroleum, which is the primal energy resource of transportation, is expected to deplete in a close future. Also, financial risks for petroleum importers and greenhouse gas emission's negative impact on global climate force to search alternative energy resources. Among alternatives, electicty has become serious option due to increasing popularity of electric vehicle. Number of units used across the globe exceeding million, electric vehicles can be means of transportation by short term renting from electic vehicle fleet operator apart from individual use. The operator can simply makes profit from one-way vehicle renting, which is picking a vehicle from one point and leaving it on another point. It arises a question of whether selling excess electicity in batteries is profitable. To sell excess electricity, the operator decides the amount in day-ahead electricity market and the next day it is obliged to provide the amount promised. In the day, the operator makes revenue from renting electic vehicles and selling electricity to grid and considers the costs of charging, relocation, usage of electic vehicles to maximize profit. This study consist of two models that decides the amount of electricity to be sold and manages daily operations of electric vehicle fleet. By using these models, expected and realized profit from electricity selling, known and unknown scenarios of electricity prices and loss of customers who want to rent electric vehicles are examined. To test models, transportation dataset of Istanbul Metropolitan Municipality is used and the data required is arranged according to structure of models. According to the results, selling excess electricity can create extra profit for fleet operator. Besides, sensitivity analyses for electic vehicle, renting prices, relocation cost are conducted and they are compared with no electricity selling option. In light of these results, electric vehicles batteries are profitable tool in day-ahead electricity market and this study can be expanded to different areas of electricity market.

Türkiye elektrik piyasası, mevcut on yılda birçok reform geçirmiştir. Arz ve talep tarafı dinamiklerine göre piyasa ihtiyaçlarını; şeffaflık, bütünlük ve rekabetçi bir anlayış çerçevesinde geliştirmeye devam etmektedir. Mevcut sistemde, Yan Hizmetler'e (YH) katılım gönüllülük esasına dayanmaktadır. Bu durumda, bazı üretim birimlerinin katılımını zorunlu kılan bir önceki yan hizmetler yönetmeliğinin geçerli olduğu sürece kıyasla, YH kapsamındaki Primer Frekans Kontrol (PFK) ve Sekonder Frekans Kontrol (SFK) birim fiyatlarında belirgin bir artış gözlemlenmiştir. Böylece, frekans kontrolünün sağlanması sistem işletmecisi açısından daha maliyetli hale gelmiştir. Diğer taraftan, Yan hizmetler kapsamında rezerv edilen miktarlar, YH hariç başka hiçbir piyasada işlem göremez. YH'ye teklif sunmak suretiyle katılım yapan piyasa katılımcılarının yan hizmetlerde yapmış oldukları teklifler kabul edilmezse, katılımcılar, Gün Öncesi Elektrik Piyasasında (GÖP) portföy getirilerini dengeleyebilmek amacıyla daha yüksek birim fiyattan teklifte bulunma eğiliminde olurlar. Böyle bir senaryoda, teklifin kabul edilmesi durumunda ortalama piyasa takas fiyatı artmaktadır. Teklifin kabul edilmemesi durumunda ise katılımcı zarar etmektedir. Bu nedenle piyasa katılımcısı tedarikçiler, her iki piyasada da temerrüt riskine maruz kalmaktadır ve sadece bir piyasada kabul edilmeleri ise yeterli ve karlı olmamaktadır. Bu noktada, üretim birimlerinin hem GÖP'te hem de YH piyasasında karşılaştıkları yükü hafifletmek ve arz tarafında temerrüt risk sorununa çözüm getirmek için yeni bir piyasa yapısı önerilmektedir. Bu çalışmada, Türkiye elektrik piyasasının devam eden serbestleşme sürecine katkıda bulunmak için GÖP ve YH birleştirilerek yeni bir piyasa mekanizması oluşturuldu. Bu iki ayrı piyasa, farklı amaç fonksiyonlarına sahip, farklı optimizasyon modellerinden oluşmaktadır. Yeni piyasa modeli; bu iki ayrı piyasayı verimlilik, bütünlük, rekabet ve risk yönetimi adına ortak bir optimizasyon algoritmasıyla birleştirmektedir. Bu yeni piyasa modelinde, "karma blok teklif" adında, arz tarafı piyasa katılımcılarının kullanımına yönelik olarak yeni bir teklif türü sunuldu. Önerilen teklif yapısındaki karma blok teklif; enerji fiyatı, enerji miktarı, rezerv fiyatı, rezerv miktarı ve zaman aralığı özelliklerinden oluşur. Bu yeni piyasa yapısı sayesinde, temerrüt riskini azaltarak tedarikçileri daha verimli teklifler vermeye teşvik etmek hedeflenmektedir. Rasyonel olarak, temerrüt riski ile tedarikçinin risk primini yansıtan birim elektrik marjinal fiyatı arasında doğrusal bir ilişki vardır. Teorik olarak, temerrüt riski düşürüldüğünde tedarikçilerin temerrüt riskindeki bu düşüşü risk priminde indirim ve dolayısıyla birim elektrik fiyatında indirim olarak yansıtmaları beklenir. Ayrıca, geliştirilen karma blok teklif yapısıyla, YH'de hizmet veremeyen tedarikçiler de arz-talep dengesizliğinde istihdam edilmek suretiyle teklif verebilirler. Her tedarikçi farklı marjinal üretim maliyetine sahip olduğu için, homojen olmayan üretim birimleri, Yan Hizmetler'de daha az maliyetle ihtiyaç duyulan miktarın temininde yardımcı olabilir. Son olarak, sistem işletmecisi yakın bir gelecekte talep dalgalanmasını tahmin edeceğinden, tahmin hatalarının azalması beklenmektedir. Yeni optimizasyon modeli, karma tamsayılı doğrusal olmayan programlamadır (KTDOP). Bu model, enerji fiyatlarını (PTF'ler) ve rezerv fiyatlarını (PFK fiyatları) belirler; enerji ve rezerv tarafına yönelik kabul edilen teklifleri ve bunlara ait miktarları bulur., The Turkish electricity market has undergone several reforms in the current decade and continues to develop the current system to satisfy markets needs with transparency, integrity, and competition in accordance with the supply and demand side. In the current system, participation in Ancillary Services (AS) is voluntary. In this case, a significant increase was observed in the Primary Frequency Control (PFK) and Secondary Frequency Control (SFK) unit prices under AS compared to the previous ancillary services regulation, which required the participation of some generation units. Thus, the provision of frequency control has become more costly for the system operator. On the producers' side, the amounts reserved under ancillary services cannot be traded in any other market except AS. If the bids made by market participants participating in the AS are not accepted, the participants tend to bid at a higher unit price in Day Ahead Electricity Market (DAM) in order to offset portfolio returns. In such a scenario, the average market clearing price increases if the bid with higher unit electricity price is accepted. If the bid is not accepted, the participant loses money. Hence, suppliers are subject to default risk in both market, and acceptance in just one market is not profitable. At his point, in order to alleviate the burden that production units face in both DAM and AS we propose a new market structure to give a solution to supply-side default risk problem and high frequency control cost in system operator side . In this study, we combined the DAM and AS to contribute the ongoing liberalization process of Turkish electricity market. These two separate markets have different optimization models with different objectives. Our new optimization model combines these two separate markets with a co-optimization algorithm for the sake of efficiency, integrity, competition and risk management. In this new market framework, we introduced a new bid type for the supply side named "mixed block bid". In the current bid structure, a bid consists of price, quantity and time zone information. In the proposed block bid structure, a mixed block bid consists of energy price, energy quantity, reserve price, reserve quantity (corresponding to the maximum oscilation quantity that the production unit increase or decrease its production in real-time when needed) and time interval attributes. With the help of new market structure, we aim to decrease default risk and encourage suppliers to give more efficient bids. On a rational basis, there is a relationship between default risk and unit electricity marginal cost of the supplier reflecting the risk premium. Theoretically, when the default risk is reduced, suppliers are supposed to reflect this decrease in default risk as a discount in risk premium and hence a discount in the unit electricity price. Moreover, with the newly introduced mixed block bid structure, suppliers which are not alloved to bid in Ancillary Services becauase of their capacity constraints can also be employed to give offer to cover demand fluctuation. Since every supplier has different marginal cost of production, non-homogeneous production units can be more helpful in the procurement of needed quantity in the Ancillary Services with less amount of money. Lastly, since system operator will forecast the demand fluctuation for a near future, forecast errors are supposed to decrease. The new optimization model is mixed-integer nonlinear programming (MINLP) clearing energy prices (MCPs) and reserve prices (PFC prices) and finds accepted quantities for energy and reserve market.

Üretim çizelgeleme ile süreçlerin düzenlenmesi, işlerin nerede ve ne zaman yapılacağının belirlenerek iş akışlarının eniyilenmesi amaçlanmaktadır. Çizelgeleme problemleri üretim alanının özelliklerine göre farklılaşmakta olup seri üretim alanlarında çizelgelemeye karşılık gelen terim akış tipi çizelgelemedir. Bu üretim sistemlerinin zamanla farklılaşması ve belirli kaynakların sayısının artırılması ise melez akış tipi sistemlerini oluşturmaktadır. Ele alınan sistemin bir özelliği de iş atlama olarak adlandırılan parçaların akış üzerindeki her aşamada işlem görme zorunluluğu olmamasıdır. Oluşturulması planlanan çizelge ile toplam parça tamamlanma süresinin enazlanması amaçlanmıştır. Çalışmada melez akış tipi çizelgeleme problemine ek olarak uygulama aşamasında gerçek hayatta karşılaşılabilecek zorluklardan sisteme dahil olan yeni parçaların işlem sürelerinin belirsiz olabilmesi ve benzer parçalar üzerinde edinilen tecrübe ile bu parçaların işlenmesi için gereken sürenin zamanla kısalabilmesi durumları ele alınmıştır. Sistemde işlenmiş parçaların üzerindeki öğrenme etkisi incelenmiş ve ayrıştırılmış, çizelgeleme problemine tabi parçaların iş sürelerinin istatistiksel yöntemler ile tahmini gerçekleştirilmiştir. İş atlamalı melez akış tipi çizelgeleme problemi için bir karma tamsayılı matematiksel model önerilmiştir. Problemin zorluğu sebebi ile belirli bir boyutun üzerinde veri kümeleri için matematiksel model ile etkin çözümler elde edilmesi mümkün olmamıştır. Özellikle ilgili veri kümelerinde kullanılmak üzere genel olarak daha kısa sürede daha iyi olurlu çözümler elde edilmesi hedeflenerek Genetik Boş Makine Zamanı Doldurma Algoritması geliştirilmiştir. Geliştirilen meta sezgisel algoritmada iterasyonlar arası geçişlerde genetik algoritmanın çaprazlama, mutasyon ve seçilim özellikleri kullanılmıştır. Genetik Boş Makine Zamanı Doldurma Algoritması ile eşzamanlı olarak işlerin kendi arasında çizelgelenme sıraları ve birden çok kaynağa sahip aşamalar için işlerin atandığı kaynaklar belirlenmektedir. Bu atamalar ve sıralama doğrultusunda elde edilen çizelgeler bireylere karşılık gelmektedir ve çizelgelerin toplam parça tamamlanma süreleri bireylerin uygunluk değerleri olarak belirlenmektedir. Parça işlem süreleri üzerinde çizelgeleme başlamadan önce ve çizelge üzerinde ilgili parçadan önce işlenmiş benzer parçalara göre öğrenme etkisi göz önüne alınmıştır. Parça işlem sürelerinin tahmin doğruluğu istatistiksel kontrol metotları ile ve tahmin ile elde edilen işlem sürelerinin oluşturduğu çizelgenin gerçek işlem süreleri ile oluşturulan çizelgeye olan uyumu ile netleştirilmiştir. Genetik Boş Makine Zamanı Doldurma Algoritması'nın etkinliği ise matematiksel model ve algoritmadan elde edilen çözümler kıyaslanarak değerlendirilmiştir., Production scheduling is optimizing workflows by organizing and determining when and where a certain task will be completed. Scheduling problems can be classified by the type of production environment and scheduling for mass production systems is under the topic of flow shop scheduling. Hybrid flow shop scheduling is a special case in flow shop scheduling where in some steps of the system, production line is modified by increasing the number of resources. In addition to hybridity, it is not mandatory for parts to be processed in every stage of the system. Developing a schedule with the objective of minimizing the sum of parts' completion times is aimed. The real-life difficulties during the application phase are considered to be uncertainty of processing times of the new parts included in the system and the learning effect on processing times and both aspects are included in the problem. Learning effect on previously manufactured parts is analyzed and learning effect is seperated to obtain pure processing times. Processing times for new parts are then calculated from pure processing times with statistical learning methods and learning effect is included later. With the calculated processing times, a mixed integer linear mathematical model for hybrid flow shop scheduling with missing operations is proposed. Because of the size of the problem, it was not possible to obtain effective solutions with mathematical model for data sets above a certain size. The Genetic Timetable Gap Filling Algorithm has been developed with the aim of achieving better feasible solutions in a shorter period of time, especially for using in bigger data sets. In the developed heuristic algorithm; selection, crossover and mutation properties of genetic algorithm are adopted. The Genetic Timetable Gap Filling Algorithm simultaneously determines the order in which the jobs will be scheduled and the resources to which the jobs are assigned. Learning effect on process times is calculated based on parts produced in the past and parts that are scheduled before. The schedules obtained by assignments and rankings correspond to the individuals of the population and the sum of parts' completion times are determined as the fitness values of the individuals. Estimation accuracy of the processing times is clarified by statistical control methods and the similarity of the schedules created by the estimated processing times is examined with the schedules created with actual processing times. The effectiveness of The Genetic Timetable Gap Filling Algorithm is evaluated by comparing the solutions obtained by mathematical model and the algorithm.