Daily electricity price forecasting (report)
Материал из MachineLearning.
(→Постановка задачи) |
(→Описание алгоритмов) |
||
Строка 30: | Строка 30: | ||
=== Обзор литературы === | === Обзор литературы === | ||
+ | Основная цель данного раздела -- обзор возможных подходов к решению задачи прогнозирования ежежневных цен на электричество и данных, необходимых для этого. Так же здесь дан краткий обзор рынка энергии в Германии. | ||
+ | |||
+ | Давайте рассмотрим методы прогнозирования цены на электричество. Разными авторами предложены разные алгоритмы решения этой задачи. | ||
+ | В некоторых работах применяется модель ARIMA и авторегрессия [1], [4]. Нейронные сети в комбинации с такими улучшениями как вельвет-анализ и ARIMA[2]. Разные подходы применяются и в решении близкой задачи прогнозирования скачков цен на электричесвто. Это может быть как SVM [2], так и другие модели шума и скачков цен [3]. | ||
+ | |||
+ | Разные решения этой задачи используют разные наборы данных. Для настройки исскуственны нейроннных сетей могут использоваться только временные ряды цен [1]. | ||
+ | |||
+ | <!--> , but in | ||
+ | most of works some addition data is required. Weather is an important factor in price forecasting | ||
+ | [5]. It can be median day temperature, HDD, CDD [4] or wind speed [6]. Dates of sunsets and | ||
+ | sunrises can be useful too. Energy consumption and system load has important impact on daily | ||
+ | electricity price [4]. Interesting features is prediction log(Pt) instead of Pt � electricity price in €. | ||
+ | Our goal is forecasting daily electricity price for german electricity price market EEX, so let’s | ||
+ | represent some information about it. Germany has free electricity market, so models for free | ||
+ | electricity market can be applied to it. Market of energy producing changes every year, main | ||
+ | goals are phasing out nuclear energy and creation new renewable sources manufactures. Germany | ||
+ | is one of the largest consumers of energy in the world. In 2008, it consumed energy from the | ||
+ | following sources: oil (34.8%), coal including lignite (24.2%), natural gas (22.1%), nuclear (11.6%), | ||
+ | renewables (1.6%), and other (5.8%), whereas renewable energy is far more present in produced | ||
+ | energy, since Germany imports about two thirds of its energy. This country is the world’s largest | ||
+ | operators of non-hydro renewables capacity in the world, including the world’s largest operator of | ||
+ | wind generation [7]. --> | ||
+ | |||
+ | References | ||
+ | |||
+ | [1] Hsiao-Tien Pao. A Neural Network Approach to m-Daily-Ahead Electricity Price Prediction | ||
+ | |||
+ | [2] Wei Wu, Jianzhong Zhou,Li Mo and Chengjun Zhu. Forecasting Electricity Market Price | ||
+ | Spikes Based on Bayesian Expert with Support Vector Machines | ||
+ | |||
+ | [3] S.Borovkova, J.Permana. Modelling electricity prices by the potential jump-functions | ||
+ | |||
+ | [4] R.Weron, A.Misiorek. Forecasting spot electricity prices: A comparison of parametric and | ||
+ | semiparametric time series models | ||
+ | |||
+ | [5] J.Cherry, H.Cullen, M.Vissbeck, A.Small and C.Uvo. Impacts of the North Atlantic Oscillation | ||
+ | on Scandinavian Hydropower Production and Energy Markets | ||
+ | |||
+ | [6] Yuji Yamada. Optimal Hedging of Prediction Errors Using Prediction Errors Yuji Yamada | ||
+ | |||
+ | [7] http://en.wikipedia.org/wiki/Energy_in_Germany | ||
=== Базовые предположения === | === Базовые предположения === |
Версия 11:46, 19 октября 2009
Введение в проект
Описание проекта
Цель проекта
Цель проекта - прогнозирование ежедневных цен на электричество. Горизонт прогнозирования - один месяц.
Обоснование проекта
Полученные данные могут быть использованы для хеджинга или другой игры на свободном рынке цен на электричество.
Описание данных
У нас есть данные с 01/01/2003 до сегодняшнего дня. Данные для прогнозирования состоят из временного ряда, различных погодных параметров (температура, скорость ветра, относительная влажность, ...) и средних цен на электричество.
Критерии качества
Критерием качества служит скользящий контроль. Мы разбиваем данные на основную выборку - все данные без данных за последний месяц и контрольную выборку - данные за последний месяц. Эту процедуру можно повторить для всех месяцев полседнего года. Целевая функция MAPE (средняя абсолютная ошибка в процентах) для посленего месяца.
Требования к проекту
Месячная ошибка для нашего алгоритма должна быть меньше ошибки для алгоритма заказчика (LASSO).
Выполнимость проекта
В данных отсутствует информация о пиках, предсказание которых является отдельной задачей.
Используемые методы
Мы испольуем предположение о линейной зависимости откликов от признаков или их различных производных. Также модель должна использовать периодичность конечных данных.
Постановка задачи
У нас есть временной ряд из матрицы признаков и вектора
ответов. Нам необходимо восстановить вектор ответов
по матрице признаков
. Известно, что временной ряд, который необходимо восстановить идет непосредственно после временного ряда, ответы для которого нам известны.
Предлагается использовать функционал качества MAPE:
-
,
где -- восстановленные ответы, а
-- правильные ответы.
Описание алгоритмов
Обзор литературы
Основная цель данного раздела -- обзор возможных подходов к решению задачи прогнозирования ежежневных цен на электричество и данных, необходимых для этого. Так же здесь дан краткий обзор рынка энергии в Германии.
Давайте рассмотрим методы прогнозирования цены на электричество. Разными авторами предложены разные алгоритмы решения этой задачи. В некоторых работах применяется модель ARIMA и авторегрессия [1], [4]. Нейронные сети в комбинации с такими улучшениями как вельвет-анализ и ARIMA[2]. Разные подходы применяются и в решении близкой задачи прогнозирования скачков цен на электричесвто. Это может быть как SVM [2], так и другие модели шума и скачков цен [3].
Разные решения этой задачи используют разные наборы данных. Для настройки исскуственны нейроннных сетей могут использоваться только временные ряды цен [1].
References
[1] Hsiao-Tien Pao. A Neural Network Approach to m-Daily-Ahead Electricity Price Prediction
[2] Wei Wu, Jianzhong Zhou,Li Mo and Chengjun Zhu. Forecasting Electricity Market Price Spikes Based on Bayesian Expert with Support Vector Machines
[3] S.Borovkova, J.Permana. Modelling electricity prices by the potential jump-functions
[4] R.Weron, A.Misiorek. Forecasting spot electricity prices: A comparison of parametric and semiparametric time series models
[5] J.Cherry, H.Cullen, M.Vissbeck, A.Small and C.Uvo. Impacts of the North Atlantic Oscillation on Scandinavian Hydropower Production and Energy Markets
[6] Yuji Yamada. Optimal Hedging of Prediction Errors Using Prediction Errors Yuji Yamada
[7] http://en.wikipedia.org/wiki/Energy_in_Germany
Базовые предположения
Математическое описание
Варианты или модификации
Описание системы
- Ссылка на файл system.docs
- Ссылка на файлы системы
Отчет о вычислительных экспериментах
Визуальный анализ работы алгоритма
Анализ качества работы алгоритма
Анализ зависимости работы алгоритма от параметров
Отчет о полученных результатах
Список литературы
![]() | Данная статья является непроверенным учебным заданием.
До указанного срока статья не должна редактироваться другими участниками проекта MachineLearning.ru. По его окончании любой участник вправе исправить данную статью по своему усмотрению и удалить данное предупреждение, выводимое с помощью шаблона {{Задание}}. См. также методические указания по использованию Ресурса MachineLearning.ru в учебном процессе. |