EF » EFnet » EF raziskave » Uspešnost alternativnih metod napovedovanja cen električne energije: ugotovitve na podlagi grške in madžarske borze električne energije

Uspešnost alternativnih metod napovedovanja cen električne energije: ugotovitve na podlagi grške in madžarske borze električne energije

09.09.2020

Ključne besede:
Napovedovanje cen električne energije,
grška borza električne energije,
madžarska borza električne energije,
ENTSOE podatkovna baza,
podatkovno rudarjenje,
strojno učenje,
nevronske mreže,
velikost kalibracijskega vzorca,
kalibracija z drsečim oknom.

Avtorji:

  • Marko Halužan
  • red. prof. dr. Miroslav Verbič,
  • izr. prof. dr. Jelena Zorić

Namen članka:
Napovedovanje cen električne energije v državah JV Evrope s sodobnimi napovednimi tehnikami.

Ciljna javnost:
Trgovci z električno energijo, proizvajalci električne energije in distributerji električne energije.

 

Kratek povzetek objave

Predmet raziskave:
Primerjava natančnosti napovedovalnih algoritmov iz družin podatkovnega rudarjenja in globokega učenja z ekonometričnim modelom časovnih vrst.

Glavne ugotovitve:
Javna nedostopnost podatkov o obratovanju elektro-energetskega sistema je zgodovinsko gledano omejevala razvoj napovedovanja cen električne energije in drugih raziskav s področja obratovanja. V Evropi se je stanje izboljšajo z ustanovitvijo ENTSOE podatkovne baze, ki omogoča pridobitev podatkov za napovedovanje grške in madžarske cene električne energije. V članku raziščemo alternativne metode ekonometričnim napovednim modelom, ki so velikokrat kritizirani zaradi linearne posplošitve povezav med odvisno in pojasnjevalnimi spremenljivkami. V študiji uporabimo naslednje skupine modelov: metodo najbližjih sosedov, regresijska drevesa, nevronske mreže in metodo podpornih vektorjev. Natančnost napovedi smo statistično primerjali na časovni vrsti dolžine preko 1.000 dni. V primerjavi z ekonometričnim modelom časovnih vrst samo metoda podpornih vektorjev generira statistično boljše napovedi. Napovedi cen električne energije lahko izboljšamo s pravilno izbiro dolžine kalibracijskega okna in vzorčenjem napovednih ur v dnevu. Večina uporabljenih napovednih metod ima najboljšo natančnost pri uporabi krajših kalibracijskih oken, le nevronske mreže dosežejo večjo natančnost napovedovanja z dalšjimi kalibracijskim okni. Urno vzorčeni napovedni modeli so praviloma dosegali večjo natančnost na trgu z izrazito višjo varianco cen.

Uporabna vrednost za podjetja:
Izboljšava napovedne natančnosti ima neposreden učinek na znižanje stroškov oziroma izboljšano dobičkonosnost udeležencev na trgu električne energije za dan v naprej.

Revija objave:
Applied Energy

Rangiranje:
JCR SCI 2019 IF 8,426

Celoten članek lahko preberete na tej povezavi.


Related news

Publish your comment: