Daily electricity price forecasting (report)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(→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 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»
Личные инструменты