Daily electricity price forecasting (report)

Материал из MachineLearning.

Версия от 11:46, 19 октября 2009; Likz (Обсуждение | вклад)

(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)

Перейти к: навигация, поиск

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 $X$ признаков и вектора $Y$ ответов. Нам необходимо восстановить вектор ответов $\hat{Y}$ по матрице признаков $\hat{X}$ . Известно, что временной ряд, который необходимо восстановить идет непосредственно после временного ряда, ответы для которого нам известны.

Предлагается использовать функционал качества MAPE:

${ Q(\hat{Y}) = \sum_{i=1}^n \frac{|y_i-\hat{y}_i|}{|y_i|}$ ,

где $\hat{Y} = (\hat{y}_1, \hat{y}_2, \dots, \hat{y}_n )$ -- восстановленные ответы, а $Y = (y_1, y_2, \dots , y_n)$ -- 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.

Студент: Участник:Зайцев Алексей

Преподаватель: Участник:В.В. Стрижов

Срок: 15 декабря 2009

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.

Источник — «http://machinelearning.ru/wiki/index.php?title=Daily_electricity_price_forecasting_%28report%29»

Категория: Непроверенные учебные задания