Prognostisering av elektrisitetsprisen : bedre resultater med nevrale nettverk?

Abstract

Denne oppgaven dreier seg om prognostisering av systemprisen på Nord Pool. Vi har introdusert et kunstig nevralt nettverk som inkluderer eksogene variabler for å lage kortsiktige prisprognoser for systemprisen, og sammenligner denne prognosen med prognoser fra tradisjonelle ARIMA modeller. Forskjellen mellom vår beste tidsseriemodell, SARIMAX- modellen, og det nevrale nettverket var minimale med en MAPE på henholdsvis 5,02% og 4,65% ved statisk prognose én dag frem. Dette er vesentlig bedre enn en naiv prognosemodell med MAPE på 6,57%. Ved prognoser syv dager frem presterte alle modellene dårligere enn ved den statiske prognosen, i tillegg til at forskjellen mellom den naive modellen og modellene med eksogene variabler ble over tre prosentpoeng. Likevel treffer det nevrale nettverket og SARIMAX godt med MAPE på under 6,5% for en syv dagers prognose i hele out-of-sample perioden. Eksogene variabler forbedret ARIMA modellene drastisk, men hadde ikke en like stor effekt på det nevrale nettverket. Til videre forskning kan en grundigere jobb bli gjort med innsamling av værvariabler, ved f.eks. å hente inn nedbørsdata i områder med store vannreservoarer og vinddata i områder der vindparkene er lokalisert. I tillegg kunne man inkludere flere eksogene variabler som blant annet produksjonsbrudd, prisen på substitutter til elektrisitet og priser på CO2-kvoter.

This thesis aims to forecast the system price at Nord Pool. We have introduced an artificial neural network which includes exogeneous variables to make short-term forecasts of the system price, and compare these with traditional ARIMA models. The difference between our best SARIMAX-model and the neural network were minimal, with a MAPE of 5,02% and 4,65% respectively for the static one day ahead forecast. This is significantly better than the naïve model with a MAPE of 6,57%. For the dynamic forecast seven days ahead, all models performed worse than the static forecast, even though the difference between the models with exogenous variables and the naïve model were over three percentage points. However, the neural network and the SARIMAX-model still performed well in the dynamic forecast with a MAPE under 6,5%. While the exogeneous variables improved the SARIMA models significantly, the effect on the neural network were not as prominent. For further research, a more extensive job could be done regarding the collection of weather data. An example could be to gather wind data at wind farms and precipitation data close to water reservoirs. Other variables such as outages, the price of other energy substitutes and the price of CO2 quotas could also be included in the models.