Daily electricity price forecasting (report)
Материал из MachineLearning.
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. |