Elektros energijos kainų prognozavimas

Abstract

Elektros energijos kainų prognozė yra aktuali nepriklausomiems elektros energijos tiekėjams ir kitiems energetinio tinklo dalyviams. Elektros energijos kainos pasižymi dideliu kintamumu, sezoniškumu, staigiais šuoliais. Kuriant tolimesnius planus, siekiant minimizuoti riziką ir maksimizuoti pelnus, reikalingos kuo tikslesnės prognozės. Literatūroje elektros energijos biržos kainų prognozavimui yra taikoma daugybė metodų, tačiau netgi taikant tą patį metodą įvairių biržų duomenims, gaunami skirtingi rezultatai. Magistro darbe buvo prognozuojamos elektros energijos kainos Nord Pool biržos Lietuvos kainų zonai. Prognozėms atlikti buvo taikomi statistiniai (vidurkio, paprastasis metodai, autoregresija, regresija, sezoninis ARIMA modelis, eksponentinis glodinimas) ir mašininio mokymo (atraminių vektorių regresija, neuroniniai tinklai, rekurentiniai neuroniniai tinklai, regresijos medis) metodai bei sudaryta interaktyvi generacijų kreivė. Rezultatai parodė, kad vidutiniškai didžiausią tikslumą galimą pasiekti naudojant atraminių vektorių regresijos modelį, kai įtraukiamos ne tik istorinės elektros energijos kainos, bet ir elektros energijos suvartojimo, Lietuvoje generuojamos vėjo energijos duomenys.

Electricity price forecasting is important for participants of electricity market. Electricity price has features such as high volatility, seasonality, sudden spikes. Accurate forecasts are important for making future plans, minimizing risks and optimizing profits. In literature electricity price is forecasted using various methods. Although, the same approaches let to achieve different results in different markets. In this master thesis forecasts for Lithuania’s price zone in Nord Pool market were made. Statistical (average, Naive methods, autoregression, regression, seasonal ARIMA model, exponential smoothing) and machine learning techniques (support vector machines, neural networks, recurrent neural networks, regression tree) as well as interactive merit order curve were used for electricity price prediction. Results showed that typically the best accuracy can be achieved using support vector regression model which includes not only historical electricity prices but also data of consumption and wind generated power in Lithuania.