1. Repository at ChSTU
  2. Випускні кваліфікаційні роботи
  3. Магістр
  4. 123 Комп’ютерна інженерія (Комп'ютерні системи та мережі)
Please use this identifier to cite or link to this item: https://er.chdtu.edu.ua/handle/ChSTU/8660
Title: Дослідження алгоритмів прогнозування цін на електроенергію
Authors: ТАЗЕТДІНОВ, Валерій
ГУСАК, Богдан
Keywords: МАШИННЕ НАВЧАННЯ;ПРОГНОЗУВАННЯ ЦІН;ЕЛЕКТРОЕНЕРГІЯ;РИНОК;МОДЕЛІ ПРОГНОЗУВАННЯ
Issue Date: 2023
Abstract: Обсяг роботи складає 59 сторінок, включаючи 2 додатки, 10 ілюстрацій та 2 таблиці. Кількість джерел згідно з переліком посилань – 37. Актуальність роботи полягає у важливості точного прогнозування цін на електроенергію в умовах постійних змін у сфері енергетики та ринкових відносин. Метою дослідження є аналіз та порівняння ефективності різних моделей машинного навчання у прогнозуванні цін на електроенергію на основі даних ринку Великобританії. Об'єктом є процес прогнозування цін на електроенергію, предметом – методи та моделі машинного навчання для цієї мети. В роботі використано методи машинного навчання, такі як Random Forest, XGBoost та SVR. Основні результати дослідження полягають у проведенні аналізу ефективності моделей прогнозування цін на електроенергію та виявленні їхньої ефективності та обмежень. Результати можуть бути використані для оптимізації стратегій енергетичних компаній та прийняття обгрунтованих рішень щодо цінової політики.
URI: https://er.chdtu.edu.ua/handle/ChSTU/8660
Appears in Collections:123 Комп’ютерна інженерія (Комп'ютерні системи та мережі)

Files in This Item:
File Description SizeFormat 
1_ТИТУЛКА_Гусак_ДРУК-merged.pdf
  Restricted Access		1.89 MBAdobe PDFView/Open Request a copy
Show full item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

Extracted text 
МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ
ЧЕРКАСЬКИЙ ДЕРЖАВНИЙ ТЕХНОЛОГІЧНИЙ УНІВЕРСИТЕТ
ФАКУЛЬТЕТ ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ І СИСТЕМ
КАФЕДРА ІНФОРМАЦІЙНОЇ БЕЗПЕКИ ТА КОМП’ЮТЕРНОЇ ІНЖЕНЕРІЇ
Пояснювальна записка
до кваліфікаційної роботи магістра
на тему: «Дослідження алгоритмів
прогнозування цін на електроенергію»
ЧДТУ.232279.002 ПЗ
Виконав: студент 2 курсу, групи МКМ-2205
спеціальності 123 – Комп’ютерна інженерія
за освітньою програмою – Комп’ютерні системи
та мережі
Богдан ГУСАК
Керівник
к.т.н., доцент
Валерій ТАЗЕТДІНОВ
Н. контроль
Світлана ГРЕСЬКО
Рецензент
к.т.н., доцент Марія ЗАХАРОВА
«ЗАХИСТ ДОЗВОЛЯЮ»
Завідувач кафедри ІБ та КІ
д.т.н., професор ___________ Віра БАБЕНКО
Черкаси 2023 року
Форма № Н-9.01
Черкаський державний технологічний університет
Факультет інформаційних технологій і систем
Кафедра інформаційної безпеки та комп‘ютерної інженерії
Освітньо-кваліфікаційний рівень Магістр
Спеціальність 123 – Комп’ютерна інженерія
Освітня програма Комп’ютерні системи та мережі
«ЗАТВЕРДЖУЮ»
Завідувач кафедри _____ Володимир РУДНИЦЬКИЙ
«10» жовтня 2023 року
ЗАВДАННЯ
на кваліфікаційну роботу магістра студенту
Гусаку Богдану Романовичу
(прізвище, ім‘я, по батькові)
1. Тема роботи Дослідження алгоритмів прогнозування цін на електроенергію
Керівник роботи к.т.н., доцент, Тазетдінов Валерій Абударович
(прізвище, ім’я, по батькові, науковий ступінь, вчене звання)
затверджені наказом університету від «06» жовтня 2023 р. № 267/04
2. Строк подання студентом роботи
3. Вихідні дані до роботи:
 Дані з British Electricity Market Reform (BMRS)
 Літературні джерела про аналіз цін на електроенергію та методи прогнозування
4. Зміст розрахунково-пояснювальної записки (перелік питань, що їх належить розробити):
Вступ
Розділ 1 Аналіз сучасного стану електроенергетичного ринку
Розділ 2 Методи прогнозування цін на електроенергію
Розділ 3 Практична реалізація прогнозування
Висновки
Список використаних джерел
Додатки
5. Перелік графічного матеріалу (з точним зазначенням обов’язкових креслень, плакатів):
Додаток А Специфікація
Додаток Б Текст програм
6. Консультанти розділів роботи
Підпис, дата
Розділ Прізвище, ініціали та
посада завдання видав завдання прийняв
консультанта
7. Дата видачі завдання 10 жовтня 2023 року
КАЛЕНДАРНИЙ ПЛАН
№ з/п Назва етапів кваліфікаційної роботи магістра Строк виконання
етапів роботи Примітка
1 Збір матеріалу 21.10 – 28.10 виконано
2 Обробка матеріалу 29.10 – 06.11 виконано
3 Обґрунтування актуальності виконання виконано
досліджень 12.11 – 15.11
4 Оцінка стану проблеми, виокремлення виконано
дослідницьких задач, постановка задачі 16.11 – 18.11
дослідження
5 Викладення сутності і результатів дослідження 20.11– 25.11 виконано
6 Практичне застосування результатів
дослідження 26.11 – 27.11 виконано
7 Оформлення результатів в пояснювальну записку 27.11 – 30.11 виконано
8 Подання роботи на відгук та рецензування 01.12.23 виконано
Студент-магістрант ____________________________ Богдан ГУСАК
(підпис)
Керівник роботи _____________________________ Валерій ТАЗЕТДІНОВ
(підпис)
АНОТАЦІЯ
Обсяг роботи складає 59 сторінок, включаючи 2 додатки, 10 ілюстрацій
та 2 таблиці. Кількість джерел згідно з переліком посилань – 37.
Актуальність роботи полягає у важливості точного прогнозування цін
на електроенергію в умовах постійних змін у сфері енергетики та ринкових
відносин.
Метою дослідження є аналіз та порівняння ефективності різних
моделей машинного навчання у прогнозуванні цін на електроенергію на
основі даних ринку Великобританії.
Об'єктом є процес прогнозування цін на електроенергію, предметом –
методи та моделі машинного навчання для цієї мети.
В роботі використано методи машинного навчання, такі як Random
Forest, XGBoost та SVR.
Основні результати дослідження полягають у проведенні аналізу
ефективності моделей прогнозування цін на електроенергію та виявленні
їхньої ефективності та обмежень.
Результати можуть бути використані для оптимізації стратегій
енергетичних компаній та прийняття обгрунтованих рішень щодо цінової
політики.
Ключові слова: МАШИННЕ НАВЧАННЯ, ПРОГНОЗУВАННЯ ЦІН,
ЕЛЕКТРОЕНЕРГІЯ, РИНОК, МОДЕЛІ ПРОГНОЗУВАННЯ.
ANNOTATION
The volume of work is 59 pages, including 2 appendices, 10 illustrations and
2 tables. The number of sources according to the list of references is 37.
The relevance of the work lies in the importance of accurate forecasting of
electricity prices in conditions of constant changes in the field of energy and
market relations.
The purpose of the study is to analyze and compare the effectiveness of
different machine learning models in forecasting electricity prices based on UK
market data.
The object is the process of forecasting electricity prices, the subject is
machine learning methods and models for this purpose.
Machine learning methods such as Random Forest, XGBoost and SVR were
used in the work.
The main results of the research consist in conducting an analysis of the
effectiveness of electricity price forecasting models and identifying their
effectiveness and limitations.
The results can be used to optimize strategies of energy companies and make
informed decisions about pricing policy.
Keywords: MACHINE LEARNING, PRICE FORECASTING,
ELECTRICITY, MARKET, FORECASTING MODELS.
2
ЗМІСТ
ВСТУП………………………………………………………………………... 5
РОЗДІЛ 1 АНАЛІЗ СУЧАСНОГО СТАНУ
ЕЛЕКТРОЕНЕРГЕТИЧНОГО РИНКУ…………………………………….. 7
1.1 Огляд електроенергетичного ринку……………………………... 7
1.2 Тенденції та фактори, що впливають на ціни на
електроенергію………………………………………………………... 8
1.3 Аналіз сучасних методів прогнозування в контексті
енергетичного ринку………………………………………………….. 9
1.3.1 Моделі прогнозування…………………………………… 9
1.3.2 Методи прогнозування…………………………………... 11
1.3.3 Порівняння ефективності методів………………………. 11
1.3.4 Впровадження результатів аналізу……………………… 12
1.4 Енергетичний день………………………………………………... 12
1.4.1 Генерація………………………………………………….. 12
1.4.2 Прогноз дисбалансу……………………………………… 16
1.4.3 Системна частота………………………………………… 19
1.4.4 Балансування……………………………………………... 19
1.4.5 Оптові ціни на енергію…………………………………... 24
1.5 Висновки до розділу 1…………………………………………..... 26
РОЗДІЛ 2 МЕТОДИ ПРОГНОЗУВАННЯ ЦІН НА ЕЛЕКТРОЕНЕРГІЮ.. 28
2.1 Математичні моделі цінових процесів…………………………... 28
2.1.1 Основні підходи до моделювання цінових процесів…... 28
3
2.1.2 Переваги та обмеження математичних моделей……….. 28
2.2 Машинне навчання в прогнозуванні…………………………….. 29
2.2.1 Види задач прогнозування за допомогою машинного
навчання………………………………………………………... 29
2.2.2 Застосування машинного навчання в прогнозуванні цін
на електроенергію……………………………………………… 30
2.3 Алгоритми глибокого навчання для прогнозування цін……….. 30
2.3.1 Огляд основних алгоритмів глибокого навчання……… 30
2.3.2 Порівняння ефективності алгоритмів у прогнозуванні
цін………………………………………………………………... 32
2.4 Висновки до розділу 2……………………………………………… 33
РОЗДІЛ 3 ПРАКТИЧНА РЕАЛІЗАЦІЯ ПРОГНОЗУВАННЯ…………….. 35
3.1 Розуміння дисбалансного ціноутворення на ринку Великої
Британії………………………………………………………………… 35
3.1.1 Контекст…………………………………………………... 35
3.1.2 Форвардні контракти…………………………………….. 36
3.1.3 The Balancing Mechanism………………………………… 37
3.1.4. Imbalance Pricing and Exposure………………………….. 37
3.1.5. Фактори впливу на ціну…………………………………. 38
3.2 Підготовка даних………………………………………………….. 40
3.3 Моделювання та оцінка…………………………………………... 42
3.4 Відбір моделей…………………………………………………….. 43
3.5 Моделювання……………………………………………………… 46
3.6 Аналіз результатів………………………………………………… 50
3.7 Висновки до розділу 3…………………………………………….. 51
4
ВИСНОВКИ………………………………………………………………….. 52
ПЕРЕЛІК СКОРОЧЕНЬ ТА УМОВНИХ ПОЗНАЧЕНЬ………………….. 54
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ…………………………………… 55
ДОДАТКИ:
А – 482.ЧДТУ.32279-01 Дослідження алгоритмів прогнозування
цін на електроенергію
5
ВСТУП
Сучасний енергетичний ринок постійно піддається впливу
різноманітних факторів, які включають зміни в споживанні, виробництві та
ціновій політиці. Прогнозування цін на електроенергію стає важливим
завданням для енергетичних компаній, фінансових установ та урядових
органів, спрямованим на оптимізацію стратегій та прийняття обгрунтованих
рішень.
Завдяки постійним змінам у сфері енергетики та розвитку ринкових
відносин, актуальність прогнозування цін на електроенергію постійно
зростає. Підвищення цін на паливо, зміни в споживацьких патернах та
впровадження альтернативних джерел енергії створюють складні виклики
для гравців енергетичного ринку, підкреслюючи важливість розробки
ефективних методів прогнозування цін.
Метою даного дослідження є аналіз та порівняння ефективності різних
моделей машинного навчання у прогнозуванні цін на електроенергію на
основі даних ринку електроенергії Великобританії. Для досягнення цієї мети
були сформульовані такі завдання:
1. Провести аналіз та відбір моделей машинного навчання, які
найкраще підходять для прогнозування цін на електроенергію.
2. Визначити взаємозв'язки між цінами на електроенергію та
фундаментальними змінними за допомогою аналізу даних.
3. Навчити та оцінити ефективність обраних моделей на основі
метрики RMSE.
4. Виявити обмеження та перспективи подальшого вдосконалення
моделей прогнозування.
6
Об'єктом дослідження є процес прогнозування цін на електроенергію
на ринку Великобританії. Предметом дослідження є методи та моделі
машинного навчання, використовувані для прогнозування цін на
електроенергію.
Методологічною основою дослідження є аналіз даних та застосування
методів машинного навчання, таких як Random Forest, XGBoost та SVR.
Науковою новизною дослідження є використання різноманітних
моделей машинного навчання для прогнозування цін на електроенергію на
ринку Великобританії та виявлення їхньої ефективності та обмежень.
Практичне значення полягає в можливості застосування розроблених
моделей для прогнозування цін на електроенергію в реальних умовах та
прийняття обгрунтованих управлінських рішень.
Отримані результати планується опублікувати в наукових журналах та
презентувати на відповідних конференціях, що забезпечить їхню наукову
вірогідність та підвищить їхню обґрунтованість.
Інформаційна база дослідження включає в себе дані ринку
електроенергії Великобританії та літературні джерела з області
прогнозування цін на електроенергію.
7
РОЗДІЛ 1 АНАЛІЗ СУЧАСНОГО СТАНУ
ЕЛЕКТРОЕНЕРГЕТИЧНОГО РИНКУ
1.1 Огляд електроенергетичного ринку
Електроенергетичний ландшафт у Сполученому Королівстві (UK)
залишається в центрі уваги у зв'язку зі стрімкими змінами та викликами, які
ставлять перед собою енергетичні системи світу. За останні роки відбулися
суттєві зміни у споживанні та виробництві електроенергії, а також у
регулюванні енергетичного сектору.[1-3]
Згідно з даними на 2021 рік, Сполучене Королівство активно
переходить до більш сталого та низьковуглецевого енергетичного
майбутнього. Хоча використання вугілля і газу ще є значним, але значний
внесок у виробництво електроенергії роблять вітроенергія та інші
відновлювані джерела енергії. Уряд Великої Британії активно працює над
зменшенням викидів вуглецю та розвитком екологічно чистих джерел
енергії.
Динаміка ринку електроенергії продовжує змінюватися, з огляду на
постійне вдосконалення технологій та зміни у споживацьких звичках. Ринок
складається з різноманітних учасників, включаючи генераторів,
постачальників, операторів мереж та споживачів, і він піддається впливу
різних факторів, таких як коливання попиту, ціни на паливо та технологічний
прогрес.
Останні тенденції на ринку електроенергії включають в себе зростання
зацікавленості у використанні відновлюваних джерел енергії, розвиток
розумних мереж, збільшення потужності акумуляції енергії та поширення
децентралізованого виробництва. Ці тенденції відображають глобальну
8
стратегію на шляху до сталого та низьковуглецевого енергетичного
майбутнього.
1.2 Тенденції та фактори, що впливають на ціни на електроенергію
Тенденції та фактори, що впливають на ціни на електроенергію, мають
вирішальне значення для розуміння ринкових умов у електроенергетичній
галузі. Деякі з найбільш важливих та впливових факторів включають:
1. Динаміка попиту-пропозиції: Коливання попиту на електроенергію,
які зазвичай пов'язані з погодними умовами, економічною
активністю та суспільними тенденціями, можуть впливати на ціни.
Також важливою є здатність генераційних потужностей відповідати
попиту.
2. Ціни на паливо: Вартість вугілля, природного газу та інших видів
палива, використовуваних для виробництва електроенергії,
безпосередньо впливає на ціни на електроенергію. Зміни на світових
ринках палива та геополітичні події можуть призвести до
нестабільності цін.
3. Регуляторна політика: Державні постанови та політика з
енергетичних питань впливають на ринкові структури та
інвестиційні рішення. Стимули для розвитку відновлюваної
енергетики та цілі щодо скорочення викидів вуглецю можуть
впливати на цінові стратегії учасників ринку.
4. Технологічні досягнення: Інновації в області технологій виробництва
електроенергії та систем управління електромережами можуть
9
впливати на ефективність та витрати, що впливає на ціни на
електроенергію.
5. Інтеграція відновлюваної енергії: Зростаюча частка відновлюваних
джерел енергії, таких як вітроенергія та сонячна енергія, створює
нові виклики у регулюванні та управлінні електромережами, що
може впливати на ціни.
6. Ринкова конкуренція: Рівень конкуренції на ринку електроенергії
визначає, наскільки ефективно працюють механізми ціноутворення.
Сильна конкуренція може призвести до більш ефективних цінових
моделей та низьких цін для споживачів.
7. Глобальні та регіональні впливи: Ринки електроенергії взаємодіють з
глобальними економічними та політичними подіями, такими як
транскордонна торгівля електроенергією та геополітичні конфлікти.
Розуміння цих тенденцій та факторів дозволяє учасникам ринку
ефективно прогнозувати та реагувати на зміни цін на електроенергію, що
сприяє стабільності та сталому розвитку електроенергетичного сектору.
1.3 Аналіз сучасних методів прогнозування в контексті
енергетичного ринку
1.3.1 Моделі прогнозування
У динамічному середовищі енергетичного ринку використовуються
різні моделі прогнозування для прогнозування різних аспектів еволюції
сектора. Давайте розглянемо деякі з найбільш поширених моделей:
10
Регресійні моделі. Ці моделі є інструментальними для прогнозування
електричного навантаження енергосистем, виробничих потужностей і
будівель. Вони використовують історичні дані для встановлення зв’язків між
різними факторами та моделями споживання енергії. Регресійні моделі
пропонують універсальну структуру для аналізу складних наборів даних і
визначення ключових змінних, які впливають на тенденції споживання
енергії.[4]
Авторегресійні моделі: використовуються в основному для
короткострокового прогнозування, авторегресійні моделі вміло прогнозують
споживання електроенергії в межах робочого циклу. Аналізуючи минулі
моделі споживання, вони з високою точністю прогнозують майбутні потреби
в енергії. Авторегресійні моделі чудово фіксують часові залежності, наявні в
даних про споживання енергії, що робить їх безцінними інструментами для
прийняття рішень у реальному часі в управлінні енергією.
Експоненціальні моделі згладжування: ці моделі призначені для
прогнозування річного споживання електроенергії промисловими
підприємствами та енергетичними системами. Призначаючи експоненціально
зменшуючі ваги старішим точкам даних, вони підкреслюють останні
тенденції, одночасно фільтруючи шум. Моделі експоненціального
згладжування пропонують простий, але ефективний підхід до прогнозування,
особливо придатний для сценаріїв, де потрібне швидке пристосування до
мінливих ринкових умов.
Моделі нейронних мереж: використовуючи можливості штучного
інтелекту, моделі нейронних мереж чудово прогнозують втрати
електроенергії та електроенергії в електромережах. Вони аналізують
величезні набори даних і складні зв’язки, щоб створювати прогнози, які
адаптуються до динаміки ринку. Моделі нейронних мереж пропонують
неперевершену гнучкість і масштабованість, здатні обробляти великі обсяги
11
різнорідних даних і виявляти приховані шаблони, які традиційні методи
можуть не помітити.
1.3.2 Методи прогнозування
Методи прогнозування на енергетичному ринку охоплюють як
інтуїтивний, так і формалізований підходи. Інтуїтивні методи, такі як
історичні аналогії та експертні оцінки, застосовуються, коли процеси
протистоять математичній формалізації. З іншого боку, формалізовані
методи включають:
Статистичні моделі: такі як моделі регресії, авторегресії та
експоненціального згладжування, які ґрунтуються на математичних
принципах і аналізі історичних даних. Ці моделі використовують статистичні
методи для кількісного визначення взаємозв’язків між змінними та створення
надійних прогнозів із кількісно визначеними оцінками невизначеності.
Структурні моделі: такі як нейронні мережі та моделі на основі
ланцюгів Маркова, які використовують складні алгоритми для фіксації
складних зв’язків і точного прогнозування майбутніх тенденцій. Структурні
моделі включають предметно-специфічні знання та передові математичні
методи для моделювання основної динаміки енергетичного ринку,
пропонуючи більш глибоке розуміння поведінки складних систем.
1.3.3 Порівняння ефективності методів
Ефективність методів прогнозування зазвичай оцінюється на основі
таких критеріїв, як прозорість, здатність моделювати нелінійні процеси,
адаптивність і гнучкість. Кожен метод має свої сильні та слабкі сторони, які
12
залежать від конкретного контексту застосування. Порівняльний аналіз
допомагає визначити найбільш підходящий підхід для конкретного завдання
прогнозування. Систематично оцінюючи ефективність різних методів за
заздалегідь визначеними критеріями, зацікавлені сторони можуть приймати
обґрунтовані рішення та вибирати найбільш прийнятну техніку
прогнозування для своїх конкретних вимог.
1.3.4 Впровадження результатів аналізу
Ідеї, отримані в результаті аналізу сучасних методів прогнозування
енергетичного ринку, можуть значно підвищити ефективність
енергопостачання регіонів. Удосконалюючи методи прогнозування для більш
точного передбачення тенденцій розвитку енергетичного комплексу, регіони
можуть краще розподіляти ресурси та планувати майбутні потреби в енергії.
Включення найефективніших методів забезпечує надійні та надійні методи
прогнозування, закладаючи основу для стратегій сталого управління
енергією. Крім того, впровадження передових моделей прогнозування може
надати політикам і зацікавленим сторонам енергетичного ринку можливість
приймати своєчасні та обґрунтовані рішення, зменшуючи ризики та
максимізуючи можливості в енергетичному ландшафті, що швидко
розвивається.
1.4 Енергетичний день
1.4.1 Генерація
Підключене до трансмісійної мережі виробництво за видами палива
Національна енергетична мережа вимірює виробництво, підключене до
системи високовольтної передачі у реальному часі з операційних
13
лічильників. Це використовується для балансування системи та
підтвердження, що генератори працюють на очікуваних рівнях. Ці
вимірювання агрегуються за категоріями видів палива (вугілля, КГТУ,
ядерне паливо, нафта, вітер, міжконтинентальний зв'язок з Францією,
міжконтинентальний зв'язок з Ірландією (Мойл), насосне накопичувальне,
гідро (за винятком насосного накопичування), ОКГТ, інше, голландський
міжконтинентальний зв'язок, східно-західний міжконтинентальний зв'язок,
бельгійський міжконтинентальний зв'язок). Загальна сума всіх категорій
дорівнює Загальному попиту на енергію трансмісійної системи (ЗПЕТС),
включаючи всі потреби, що задовольняються з трансмісійної системи, такі як
попит на допоміжні електростанції, насосний попит та попит на експорт
через міжконтинентальні зв'язки. Дані надаються у вигляді середніх значень
кВт за 5 хвилин. Оскільки це стосується розбивки за видами палива всього
позитивного виробництва для задоволення всього Попиту на енергію
трансмісійної системи, будь-які категорії видів палива з від'ємними
значеннями обмежуються нулем. Оскільки ці дані не включають більшість
вбудованого виробництва, загальний обсяг відновлюваних джерел енергії
занижений. Компанія Elexon оцінює, що (на 2011 рік) приблизно 50%
вітроенергетики та гідроенергетики Великої Британії не має операційного
лічильника і, отже, не включається в дані щодо виробництва за видами
палива.[5]
Виробництво за видами палива
Європейське регулювання прозорості 543/2013 (ЕРП) вимагає від
кожного оператора трансмісійної системи (ОТС) подавати інформацію щодо
виробництва, навантаження, трансмісії та балансування електроенергії -
«Дані прозорості». Виробництво в цих діаграмах визначається даними
прозорості B1620 (Фактичне агреговане виробництво за типом). Воно
14
фіксується на основі середніх кВт за період розрахунку (30 хвилин). Оскільки
дані про виробництво B1620 включають виміряне та невиміряне
виробництво, вони відрізняються від даних про підключене до трансмісійної
мережі виробництво, представлені в діаграмах Підключеного до
Трансмісійної Мережі за Типом Палива. Наприклад, вони включають
виробництво сонячної енергії та розрізняють між морським і сухопутним
вітром. Для визначення коефіцієнта використання потужності кожного виду
палива ми поєднуємо дані прозорості про виробництво з даними прозорості
про потужність (Встановлена Агрегована Потужність Виробництва B1410).
Найвище виробництво, досягнуте протягом дня (у середньому протягом
періоду розрахунку), використовується для визначення максимального
виробництва кожного виду палива (перехідний період, протягом якого
досягається максимальне виробництво, може відрізнятися від виду палива).
Це ділиться на встановлену потужність кожного виду палива (визначена на
основі даних B1410), щоб розрахувати використану частку потужності.
Зауважте, що максимальне виробництво визначається як найвище
виробництво протягом періоду розрахунку протягом 30 хвилин, тому воно
може недооцінювати максимальне виробництво, досягнуте протягом цього
періоду.
Інтерконектори
Потоки інтерконекторів вимірюються в наступних місцях - Селліндж
(Південно-Східна Англія) для інтерконектора з Францією, Окенкрош
(Південна Шотландія) для Мойлового інтерконектора з Північною Ірландією,
Острів Грейн (Кент) для інтерконектора з Нідерландами (також відомого як
голландський інтерконектор або голландський міжконтинентальний зв'язок),
Шоттон (Північний Уельс) для інтерконектора з Республікою Ірландією
(також відомого як східно-західний інтерконектор або східно-західний
15
міжконтинентальний зв'язок) і Річборо (Кент) для інтерконектора Nemo Link
з Бельгією. Кожну півгодини середній потік через кожний інтерконектор
розраховується національною електричною мережею на основі її
операційних лічильних даних. Узято відправлення, що позначається
позитивним значенням, представляє імпорт до трансмісійної системи Великої
Британії, тоді як вибуття, що позначається від'ємним значенням, представляє
експорт з Великої Британії.
Прогноз попиту
Прогноз попиту включає чотири значення:
 Прогноз національного попиту (NDF) Розроблений оператором
системи на основі історично виміряного виробництва електроенергії в
Великій Британії. Включає втрати при трансмісії, але не включає
навантаження трансформаторів станцій, попит на насосне накопичення
та попит на міжконтинентальний зв'язок.
 Прогноз попиту на трансмісійну систему (TSDF): Коригує NDF з
урахуванням навантаження трансформаторів станцій, попиту на
насосне накопичення та попиту на міжконтинентальний зв'язок.
 Вказане виробництво (INDGEN):** Півгодинне середнє значення кВт
очікуваного виробництва в кожному періоді розрахунку, розраховане
як сума всіх фізичних повідомлень для цього періоду розрахунку, що
існують на момент прогнозу та для BM-блоків, для яких фізичні
повідомлення позитивні, тобто буде експортувати енергію. Дані
надаються оператором системи на завтрашній день та поточний день
(кілька разів щодня) для публікації на BMRS, включаючи вказане
16
виробництво для кожної зони системи та періоду розрахунку та
національне вказане виробництво для кожного періоду розрахунку.
 Початкове значення попиту на трансмісійну систему (ITSDO):
Середнє значення кВт попиту за період розрахунку, включаючи втрати
при трансмісії, навантаження трансформаторів станцій, попит на
насосне накопичення та попит на міжконтинентальний зв'язок, тобто
порівнянне зі значенням прогнозу TSDF. ITSDO надається оператором
системи протягом 15 хвилин після закінчення періоду розрахунку на
основі їх операційного лічильника. Прогноз пікового попиту базується
на визначенні попиту на трансмісійну систему (TSD).
1.4.2 Прогноз дисбалансу
Вказаний дисбаланс (IMBALNGC) розраховується як різниця між
сумою всіх фізичних повідомлень для експортуючих BM-блоків (тобто
вказане виробництво - INDGEN) та прогнозованим попитом (TSDF).
Позитивний дисбаланс вказує на те, що виробництво перевищує попит,
від'ємний дисбаланс вказує на те, що попит перевищує виробництво. Дані
надаються оператором системи на завтрашній день та протягом поточного
дня (останній прогноз за 15 хвилин до початку періоду розрахунку).[6]
Прогноз маржі та LoLP
Маржа, понижена з урахуванням дефектів (або резервна маржа),
визначається як перевищення встановленого виробництва над попитом
Понижена маржа з урахуванням дефектів – це очікуване перевищення
доступної потужності виробництва над попитом. Доступне виробництво - це
17
частина встановленої потужності, яка очікується бути доступною в розумні
строки експлуатації, тобто не виведена з експлуатації або вимкнена через
технічний обслуговування або аварійну ситуацію. Враховується також будь-
яка очікувана непостійність парку виробництва, тобто непередбачуваність
виробництва вітроенергії.
Понижені маржі публікуються разом з оцінками ймовірності втрати
навантаження (LoLP) від Elexon. LoLP - це показник надійності системи або
дефіциту в доступній запасній потужності виробництва і приймає значення
від 0 до 1. Конкретно, для заданого рівня вимог до потужності (CR) в
трансмісійній системі LoLP вказує ймовірність недостатньої загальної
виробництва для виконання CR.
Існують два типи значень LoLP – індикативні та фінальні. Індикативні
значення LoLP виробляються за визначеними відомостями (опівдні накануні
та за 8, 4 та 2 години) перед закриттям воріт (за годину до початку періоду
розрахунку) для кожного періоду розрахунку (SP). 'Індикативні' значення
LoLP дають учасникам BSC індикацію очікуваного рівня дефіциту перед
закриттям воріт. 'Фінальні' значення LoLP виробляються за даними,
доступними на момент закриття воріт - це найкращий показник очікуваного
рівня дефіциту протягом SP.
Обчислення показників LoLP
З плином часу змінювалися способи розрахунку індикативних та
фінальних значень LoLP:
Починаючи з 5 листопада, Трансмісійна Компанія (TC) розраховувала
фінальні значення LoLP за допомогою Статичного Методу;
18
Починаючи з 1 травня 2018 року, TC розраховувала індикативні
значення LoLP за допомогою Динамічного Методу, продовжуючи
розраховувати фінальні значення LoLP за допомогою Статичного Методу;
Починаючи з 1 листопада 2018 року, TC розраховувала індикативні та
фінальні значення за допомогою Динамічного Методу.
Історично TC виробляла значення пониженої маржі для розрахунку
значень LoLP згідно з Методом Статичної Функції LoLP. Для заданого SP,
понижена маржа визначалася шляхом віднімання Вимоги до Потужності
(попит системи (Попит + Експорт міжконтинентальних) плюс найбільша
резервна втрата (LLR) мінус обсяг NBM STOR) від Об'єднаного Прогнозу
Виробництва (сума традиційного виробництва та сума прогнозів
виробництва вітроенергії BMU для цього SP, як повідомлено на BMRS).
Починаючи з 1 листопада 2018 року, Статичний Метод було замінено
на Динамічний Метод. За Динамічним Методом LoLP розраховується за
допомогою прямого відношення між доступним виробництвом та Вимогою
до Потужності. Для всіх SP TC зобов'язаний розрахувати (відповідні
понижені маржі публікуються одночасно):
Індикативні значення ймовірності втрати навантаження згідно з
методологією динамічного LoLP:
 о 12:00 годині щоденно;
 за 8 годин, 4 години і 2 години до початку періоду розрахунку для
кожного періоду розрахунку протягом кожного дня розрахунків.
Фінальне значення втрати навантаження для кожного періоду
розрахунку згідно з Методологією Динамічного LoLP у той самий час, що і
закриття воріт.
19
1.4.3 Системна частота
Системна частота – це постійно змінна величина, яка визначається та
контролюється в секунду-за-секунду (в реальному часі) балансом між
попитом системи та загальним виробництвом. Якщо попит перевищує
виробництво, частота падає, а якщо виробництво перевищує попит, частота
підвищується. У національної мережі є обов'язок ліцензії з контролю частоти
в межах, визначених в "Постановах про постачання електроенергії", тобто +/-
1% від номінальної частоти системи (50,00 Гц) - за виняткових чи
надзвичайних обставин. Тому національна мережа повинна забезпечити, що
достатньо виробництва та/або попиту утримуються в автоматичній
готовності для управління всіма можливими обставинами, які можуть
призвести до зміни частоти. Системна частота вимірюється в циклах на
секунду або герцах (Гц) та реєструється кожні 15 секунд.
1.4.4 Балансування
Обсяг нето-дисбалансування електроенергії (NIV)
Монітор показує дві діаграми цін на систему. Перша показує ціни на
систему для кожного періоду розрахунку (SP), разом із пов'язаною ринковою
індексною ціною. Для надання історичного контексту ця діаграма також
показує місячний розподіл історичних цін на систему. Оскільки типовий день
містить 48 цін на SP, може бути значна варіація протягом місяця. З цієї
причини розподіл цін розділено на три окремі діаграми, щоб підкреслити
найнижчі та найвищі 10 відсотків цін, а також середній 80 відсотків. Друга
діаграма показує ціни на систему за SP та пов'язаний тип (або типи)
технології для пропозицій та пропозицій, які встановлюють ціну. Ця діаграма
також накладає NIV за SP, щоб показати, чи встановлюються ціни на систему
прийнятими пропозиціями або пропозиціями.
20
Похідне від ціни на систему слідує кільком правилам і процесам.
Розуміння деяких з цих процесів може допомогти інтерпретувати ринкові
результати. Детальний пояснювальний матеріал наведено в чудовому
посібнику Elexon з ціноутворення дисбалансу. Однак нижче також наведено
короткий опис.
Історично для кожного SP існували дві ціни на дисбаланс енергії:
 ціна покупки на системі (SBP);
 ціна продажу на системі (SSP).
Elexon застосовує ціну дисбалансу до дисбалансів сторін, щоб
визначити їх дисбалансні витрати. Сторона виходить з балансу, коли її
контрактований обсяг енергії не відповідає її фізичному виробництву або
споживанню. Якщо сторона виробляє менше або споживає більше, ніж її
контрактований обсяг, їй доведеться купити цей недолік енергії за ціною
SBP. Якщо сторона виробляє більше або споживає менше, вона повинна
продати цю додаткову енергію за ціною SSP.
Однак 5 листопада 2015 року розрахунок ціни на дисбаланс було
змінено, так що для кожного SP розраховується одна ціна на дисбаланс (SIP).
Тому з цієї дати SBP і SSP завжди рівні.
Ціна дисбалансу або системи розраховується з урахуванням витрат, що
виникають у SO при балансуванні Трансмісійної Системи (TS) в кожному SP.
Це буде залежати від загального дисбалансу системи. Якщо TS великий
(забагато електроенергії, NIV<0), розрахунок ціни ґрунтується на діях, які
приймає SO для зменшення виробництва або збільшення попиту. Якщо TS
короткий (недостатньо електроенергії, NIV>0), розрахунок ціни ґрунтується
на діях збільшення виробництва або зменшення попиту.
21
Системи BSC розраховують ціну на енергетичний дисбаланс,
використовуючи прийняті SO дії для кожного SP. Існує три типи
балансувальних дій:
 прийняття пропозицій та пропозицій (BOAs);
 механізм балансування;
 дії з налаштування балансових послуг;
 інструкції з управління попитом.
Обробка балансувальних дій покупки
Існує кілька коригуючих виправлень, які можна зробити до цих дій
перед їх використанням у розрахунку цін.
Наприклад, всі дії від постачальників STOR включаються в розрахунок
цін на дисбаланс, але деякі можуть бути переоцінені. Тому що ціни на
використання STOR заздалегідь домовлені, і через те, що постачальники
STOR також можуть отримувати платежі за доступність, ціни на
використання можуть значно відрізнятися від ціни, яку SO міг би заплатити,
якби він викликав дію BM. Ціни на використання можуть тому не
відображати поточні ринкові ціни на момент використання. Щоб виправити
це, дії BOAs або BSAAs зі станцій STOR, взяті протягом STOR періодів
доступності (період часу, коли станції STOR повинні забезпечувати свою
місткість доступною для SO), переоцінюються в тому випадку, якщо їх ціна
використання менше, ніж Резервна ціна дефіциту (RSVP). Переоцінені дії
STOR потім розглядаються як інші дії BOAs для наступних кроків
розрахунку цін (розташування в ранжированій послідовності, позначення
тощо). Дії зі станцій STOR поза періодами доступності STOR не
переоцінюються.
22
Крім того, якщо приймаються дії з контингентного резерву
балансування або керування попитом, вони включаються в розрахунок цін на
дисбаланс за ціною Вартості Втрати Навантаження (VoLL).
Крім того, SO не приймає всі балансуючі дії з однієї причини, тому не
всі дії підходять для розрахунку ціни дисбалансу. Elexon розрізняє між:• Дії
балансування системи (проводяться з неенергетичних причин системного
управління, включаючи De Minimis, Arbitrage, SO & CADL flagging); • Дії
балансування енергії (дії, спрямовані виключно на балансування
півгодинного дисбалансу ТС).
Elexon використовує ряд процесів, щоб намагатися мінімізувати вплив
дій балансування системи на розрахунок цін на енергетичний дисбаланс.
Узагальнено це включає виявлення (позначення та класифікація) та
вилучення (позначення) таких дій з розрахунку цін.
Після завершення цих процесів два набори ранжированих дій купівлі та
продажу взаємно зменшуються (позначення NIV). Найдорожчі балансуючі дії
взаємно зменшуються першими, залишаючи об'єм купівлі або продажу
балансуючих дій. Це є NIV для SP.
Є ситуації, коли не вся об'єм NIV оцінюється за ціною. Де існує
невизначений обсяг, йому необхідно призначити замінну ціну. Замінна ціна
розраховується на основі об'ємово зваженого середнього показника цін на
найбільш дорогі 1МВт-години цінових дій (Середнє значення посилання на
середнє значення обсягу (RPAR)). Де обсягу призначено замінну ціну, це
визначається в моніторі за допомогою сірого переоціненого накладання.
Обробка балансувальних дій продажу
Існує кілька коригуючих виправлень, які можна зробити до цих дій
перед їх використанням у розрахунку цін.
23
Наприклад, всі дії від постачальників STOR включаються в розрахунок
цін на дисбаланс, але деякі можуть бути переоцінені. Тому що ціни на
використання STOR заздалегідь домовлені, і через те, що постачальники
STOR також можуть отримувати платежі за доступність, ціни на
використання можуть значно відрізнятися від ціни, яку SO міг би заплатити,
якби він викликав дію BM. Ціни на використання можуть тому не
відображати поточні ринкові ціни на момент використання. Щоб виправити
це, дії BOAs або BSAAs зі станцій STOR, взяті протягом STOR періодів
доступності (період часу, коли станції STOR повинні забезпечувати свою
місткість доступною для SO), переоцінюються в тому випадку, якщо їх ціна
використання менше, ніж Резервна ціна дефіциту (RSVP). Переоцінені дії
STOR потім розглядаються як інші дії BOAs для наступних кроків
розрахунку цін (розташування в ранжированій послідовності, позначення
тощо). Дії зі станцій STOR поза періодами доступності STOR не
переоцінюються.
Крім того, якщо приймаються дії з контингентного резерву
балансування або керування попитом, вони включаються в розрахунок цін на
дисбаланс за ціною Вартості Втрати Навантаження (VoLL).
Крім того, SO не приймає всі балансуючі дії з однієї причини, тому не
всі дії підходять для розрахунку ціни дисбалансу. Elexon розрізняє між: • Дії
балансування системи (проводяться з неенергетичних причин системного
управління, включаючи De Minimis, Arbitrage, SO & CADL flagging); • Дії
балансування енергії (дії, спрямовані виключно на балансування
півгодинного дисбалансу ТС).
Elexon використовує ряд процесів, щоб намагатися мінімізувати вплив
дій балансування системи на розрахунок цін на енергетичний дисбаланс.
Узагальнено це включає виявлення (позначення та класифікація) та
вилучення (позначення) таких дій з розрахунку цін.
24
Після завершення цих процесів два набори ранжированих дій купівлі та
продажу взаємно зменшуються (позначення NIV). Найдорожчі балансуючі дії
взаємно зменшуються першими, залишаючи об'єм купівлі або продажу
балансуючих дій. Це є NIV для SP.
Є ситуації, коли не вся об'єм NIV оцінюється за ціною. Де існує
невизначений обсяг, йому необхідно призначити замінну ціну. Замінна ціна
розраховується на основі об'ємово зваженого середнього показника цін на
найбільш дорогі 1МВт-години цінових дій (Середнє значення посилання на
середнє значення обсягу (RPAR)). Де обсягу призначено замінну ціну, це
визначається в моніторі за допомогою сірого переоціненого накладання.[7-
10]
1.4.5 Оптові ціни на енергію
Індекс потужності ICIS
Індекс потужності ICIS (IPI) відстежує рухи на найбільш рідкісних
контрактах на передплату на ринку електроенергії Великої Британії. Він
вилучає вплив сезонності та зважується на реальне споживання.
IPI розраховується шляхом взяття обсягово-зваженого середнього
значення операцій з передплатою базового навантаження та обсягово-
зваженого середнього значення операцій з передплатою другого сезону,
проведених протягом торгової сесії. Ці компоненти зважуються на основі
варіацій попиту між зимою та літом.
Дані, представлені в моніторі, мають дводенну затримку.
Для отримання додаткової інформації звертайтеся до методології ICIS.
25
Ціни на електроенергію на завтра в Об'єднаній Європі
Ці ціни відображають ціни на електроенергію (£/МВтгод) для ринку на
завтра, засновані на аукціоні передплати на завтрашній день N2EX,
проведеному попереднього дня.
Ціни представлені для різних періодів часу, включаючи Базовий,
Нічний, Пік, Продовжений Пік та різні блоки протягом дня.
Nordpool повідомляє ці часи у форматі GMT/BST та також публікує
пов'язані обсяги торгівлі.
Ф'ючерси на електроенергію у Великій Британії
Джерело: Міжконтинентальна біржа (ICE) та ICE - Ф'ючерс на
електроенергію пік в Великій Британії
ICE надає ринок для ф'ючерсів на електроенергію базового та пікового
навантаження у Великій Британії. Ф'ючерси базового навантаження
працюють з 23:00 - 22:59 місцевого часу з понеділка по неділю, а ф'ючерси
пікового навантаження - з 07:00 - 19:00 місцевого часу з понеділка по
п'ятницю.
Контракти передбачають фізичну доставку електроенергії на постійній
основі через Національну мережу з рівномірною доставкою кожну годину
протягом періоду доставки.
Торгові періоди доставки можуть включати кілька місяців, кварталів та
сезонів вперед. Останній день торгівлі - за два робочих дні до початку
періоду доставки.
Контракти торгуються в одиницях £/МВтгод, розмір контракту
базового навантаження розраховується як 1 МВт, помножений на кількість
днів у періоді контракту, помножений на 23, 24 або 25 годин (літній/зимовий
26
час), а розмір контракту пікового навантаження розраховується аналогічно,
але на 12 годин (літній/зимовий час).
Монітор представляє ціни вирішень для контрактів базового та
пікового навантаження на період до 18 місяців вперед від поточного місяця,
проте дані доступні з дводенним запізненням.Порівняльний аналіз цін на
електроенергію та газ у Європі
1.5 Висновки до розділу 1
Результати аналізу сучасних методів прогнозування в контексті
енергетичного ринку свідчать про великий потенціал цих підходів для
підвищення ефективності управління енергетичними процесами та
ресурсами.
Розмаїття моделей прогнозування: Виявлено різноманітні моделі
прогнозування, які використовуються для передбачення різних аспектів
розвитку енергетичного сектору. Вони охоплюють широкий спектр методів,
від класичних статистичних моделей до сучасних нейронних мереж, що
дозволяє враховувати різноманітність факторів, що впливають на ринок
енергії.
Ефективність методів прогнозування: Порівняльний аналіз різних
методів показує, що кожен з них має свої переваги та недоліки. Враховуючи
критерії ефективності, такі як точність, адаптивність і гнучкість, можна
визначити найбільш підходящий метод для конкретної ситуації.
Потенціал впровадження: Використання результатів аналізу дозволить
оптимізувати процеси управління енергетичними ресурсами та планування
постачання електроенергії. Впровадження сучасних методів прогнозування
дозволить забезпечити стійкість та ефективність енергетичного ринку,
27
сприяючи зниженню викидів парникових газів та забезпеченню стійкого
енергопостачання для всіх громадян.
Отже, систематичний аналіз та використання сучасних методів
прогнозування може стати ключовим елементом стратегічного управління
енергетичними ресурсами, сприяючи досягненню цілей сталого розвитку та
стабільності на енергетичному ринку.
28
РОЗДІЛ 2 МЕТОДИ ПРОГНОЗУВАННЯ ЦІН НА ЕЛЕКТРОЕНЕРГІЮ
У цьому розділі розглянемо різні методи прогнозування цін на
електроенергію, зокрема традиційні статистичні методи та сучасні методи
машинного навчання. Вивчимо їхні переваги, обмеження та застосування в
контексті прогнозування цінових процесів.
2.1 Математичні моделі цінових процесів
2.1.1 Основні підходи до моделювання цінових процесів
У цьому підпункті розглянемо основні підходи до моделювання
цінових процесів, такі як авторегресія, ковзне середнє, експоненційне
згладжування та інші. Описано принципи цих методів та їхню застосовність в
прогнозуванні цін на електроенергію.
2.1.2 Переваги та обмеження математичних моделей
У цьому підпункті проаналізуємо переваги та обмеження
математичних моделей у прогнозуванні цінових процесів. Виділимо сильні
сторони та області застосування цих моделей, а також визначимо їхні
недоліки та ситуації, коли вони можуть бути менш ефективними.
29
2.2 Машинне навчання в прогнозуванні
2.2.1 Види задач прогнозування за допомогою машинного навчання
Використання методів машинного навчання для прогнозування цін на
електроенергію може бути застосоване до різних видів задач прогнозування.
Нижче розглянемо деякі з них:
1. Прогнозування цін на електроенергію за годину: Одна з основних
задач - це прогнозування цін на електроенергію на годину вперед.
Моделі машинного навчання можуть використовуватися для аналізу
різноманітних факторів, таких як попит, погодні умови, виробництво
електроенергії з різних джерел тощо, для прогнозування ціни на
електроенергію на конкретну годину.
2. Прогнозування цін на електроенергію за день: Крім того, можна
прогнозувати ціни на електроенергію на більш довгі періоди,
наприклад, на цілодобові цикли. Машинне навчання дозволяє
аналізувати додаткові фактори, такі як споживання енергії впродовж
дня, щоб зробити більш точний прогноз.
3. Прогнозування цін на електроенергію на ринках з великою варіацією
цін: Деякі ринки електроенергії можуть мати велику варіацію цін через
різні фактори, такі як погода, попит та доступність джерел енергії.
Машинне навчання може допомогти в розумінні цих варіацій та
прогнозуванні цін на таких ринках.
4. Прогнозування цін на електроенергію з урахуванням виробництва з
відновлюваних джерел енергії: З урахуванням зростаючої ролі
відновлюваних джерел енергії, таких як сонячна та вітрова енергія,
важливо прогнозувати ціни на електроенергію з урахуванням їхнього
виробництва. Машинне навчання може бути використане для аналізу
30
погодних умов та інших факторів, щоб прогнозувати виробництво
енергії з цих джерел та його вплив на ціни на електроенергію.
2.2.2 Застосування машинного навчання в прогнозуванні цін на
електроенергію
Застосування методів машинного навчання в прогнозуванні цін на
електроенергію є досить розповсюдженим та має багато переваг. Нижче
розглянемо деякі з популярних алгоритмів та їх застосування в даній області:
● Random Forest (Випадковий ліс): Цей алгоритм є одним з
найбільш ефективних у багатьох задачах прогнозування,
включаючи прогнозування цін на електроенергію. Random Forest
використовує багато дерев рішень, що робить його дуже стійким
до перенавчання та добре підходить для аналізу складних
взаємозв'язків між вхідними змінними.
● Gradient Boosting Machines (GBM): Цей метод також є дуже
ефективним у прогнозуванні цін на електроенергію. GBM
працює шляхом навчання послідовної серії слабких моделей та
виправлення помилок попередніх моделей. Він зазвичай має
високу точність та може працювати з великими обсягами даних.
● Support Vector Regression (SVR): SVR є потужним алгоритмом
для регресійних задач, який може бути успішно застосований у
прогнозуванні цін на електроенергію. Він може ефективно
працювати з даними високої розмірності та здатний враховувати
нелінійні взаємозв'язки між змінними.
31
● Neural Networks (Нейронні мережі): Нейронні мережі
демонструють добрі результати в прогнозуванні цін на
електроенергію, особливо в разі використання рекурентних або
згорткових архітектур. Вони можуть ефективно виявляти складні
залежності в даних та адаптуватися до різних умов.
Практичні аспекти застосування цих алгоритмів включають вибір
відповідних гіперпараметрів, обробку та підготовку даних, валідацію моделі
та аналіз отриманих результатів. Також важливо враховувати час обчислень
та ресурси, необхідні для навчання та застосування моделей машинного
навчання.
2.3 Алгоритми глибокого навчання для прогнозування цін
2.3.1 Огляд основних алгоритмів глибокого навчання
У цьому підпункті розглянемо основні алгоритми глибокого навчання,
які можуть бути застосовані для прогнозування цін на електроенергію.
Глибоке навчання базується на нейронних мережах з багатьма шарами
(відтак термін "глибокий"), і це дозволяє моделям виявляти складні
залежності у даних.
Основні алгоритми глибокого навчання:
1. Feedforward Neural Networks (FFNN): Це базовий вид нейронних
мереж, де дані рухаються вперед від вхідного шару до вихідного без
циклічних зв'язків. FFNN можуть бути застосовані для прогнозування
цін на електроенергію, але їхній успіх залежить від правильного вибору
архітектури та гіперпараметрів.
32
2. Recurrent Neural Networks (RNN): Ці мережі мають зв'язки, що
повертаються, що дозволяє їм зберігати інформацію про попередні
стани. RNN можуть ефективно моделювати часові залежності в даних,
що робить їх корисними для прогнозування часових рядів, таких як
ціни на електроенергію.
3. Long Short-Term Memory Networks (LSTM): Це спеціальний тип RNN,
який може ефективно працювати з довгостроковою залежністю в
даних. LSTM мають механізми забудови та зміни для керування
інформацією, яка перетинається через час.
4. Convolutional Neural Networks (CNN): Вони спеціалізуються на роботі
зі структурованими даними, такими як зображення або послідовності.
В контексті прогнозування цін на електроенергію, CNN можуть бути
застосовані для обробки даних з географічними або іншими
просторовими характеристиками.
2.3.2 Порівняння ефективності алгоритмів у прогнозуванні цін
У цьому підпункті ми порівняємо ефективність різних алгоритмів
глибокого навчання у прогнозуванні цін на електроенергію. Для цього ми
використовуватимемо такі метрики як RMSE та R^2, а також розглянемо час
навчання для кожного алгоритму.
33
Таблиця 2.1 –Порівняння ефективності алгоритмів у прогнозуванні цін
на електроенергію
Алгоритм RMSE R^2 Час навчання
Нейронні мережі 5.21 0.75 2 години
RNN 4.89 0.78 3 години
DNN 4.75 0.80 4 години
За результатами порівняння можна побачити, що алгоритм DNN
показує найкращі результати з найменшим значенням RMSE та найвищим
значенням R^2. Однак час навчання для DNN є найвищим, що може бути
обмеженням у випадках, коли потрібно швидко виконати прогнози. RNN
також демонструє хороші результати з погляду точності та ефективності часу
навчання.[11]
2.4 Висновки до розділу 2
У цьому розділі ми розглянули різні методи прогнозування цін на
електроенергію, включаючи традиційні статистичні методи, а також сучасні
методи машинного та глибокого навчання. Експлораторний аналіз даних
показав, що цінові процеси мають велику сезонність та кореляцію з
минулими цінами в аналогічний час. Деякі методи машинного навчання, такі
як Random Forest, виявилися більш ефективними в прогнозуванні цінових
процесів у порівнянні з традиційними методами.
Незважаючи на це, навіть найкращі прогнозні моделі мають свої
обмеження. Високі піки в цінових процесах можуть бути складними для
34
точного передбачення, і деякі моделі можуть не здати справитися з ними
належним чином. Крім того, якість даних також може вплинути на точність
прогнозування, особливо якщо певні ключові ознаки відсутні або
недостовірні.
У майбутньому для поліпшення прогнозів цін на електроенергію
можна розглянути використання більш складних моделей глибокого
навчання, а також збільшення обсягу та якості даних, включаючи додаткові
ознаки, такі як ціни на газ та вугілля. Також варто провести подальші
дослідження з метою вдосконалення прогнозування цінових процесів у
енергетичному секторі.
35
РОЗДІЛ 3 ПРАКТИЧНА РЕАЛІЗАЦІЯ ПРОГНОЗУВАННЯ
3.1 Розуміння дисбалансного ціноутворення на ринку Великої
Британії
Електроенергетичний ринок у Великій Британії функціонує через три
основні фази:
● форвардні ринки
● механізм балансування
● викладення дисбалансу
Цей розділ надає огляд форвардних ринків та механізму балансування,
перш ніж докладати увагу на складнощі дисбалансного ціноутворення та
викладення.
3.1.1 Контекст
Британський електроенергетичний ринок ґрунтується на білатеральній
торгівлі між генераторами, постачальниками та трейдерами для забезпечення
відповідності їхніх електричних контрактних позицій їхнім очікуваним
обсягам виробництва чи попиту.
36
Рисунок 3.1 – Час розрахунку ціни на добу вперед
Виробництво в основному саморозподіляється, а Оператор Системи
виступає як останній балансувальник. Механізм Балансування забезпечує
постійне вирівнювання пропозиції та попиту в реальному часі, а Оператор
Системи керує будь-якими залишковими дисбалансами пропозиції/попиту.
3.1.2 Форвардні контракти
Форвардні білатеральні контракти та ринки обміну електроенергії
дозволяють на фіксовану доставку електроенергії від року вперед до моменту
37
закриття воріт, коли Оператор Системи бере на себе роль залишкового
балансувальника. Приблизно 95% торгівлі електроенергією відбувається на
цих ринках.trading occurs in these markets.
3.1.3 The Balancing Mechanism
Механізм Балансування, що експлуатується Оператором Системи
Великої Британії, забезпечує постійний баланс між пропозицією та попитом
в реальному часі. Учасники ринку повідомляють Оператора Системи про свої
наміри щодо фізичного обсягу виробництва через Початкові Фізичні
Повідомлення, які оновлюються до моменту закриття воріт, коли вони
стають Остаточними Фізичними Повідомленнями. Оператор Системи ініціює
та керує всіма транзакціями в Механізмі Балансування, при цьому участь є
відкритою.
3.1.4 Imbalance Pricing and Exposure
Дисбаланс виникає, коли є розбіжність між повідомленими
контрактними позиціями та фактично поставленою або взятою
електроенергією. Учасники стикаються з цією розбіжністю через дві цінові
категорії дисбалансу: Ціна Продажу Системи (СПС) для зайвої
електроенергії та Ціна Покупки Системи (СПК) для дефіциту електроенергії.
38
Рисунок 3.2 – Набори балансувальних дій системного оператора
відсортованих по ціні
СПС та СПК відображають витрати, понесені Оператором Системи при
керуванні дисбалансами системи. Напрям дисбалансу на ринку визначає
розрахунок цих цін у кожному розрахунковому періоді. Учасники не мають
обов'язку вирівнювати свої контрактні позиції, проте бажання уникнути
викладення дисбалансу стимулює до цього, впливаючи на поведінку на
ринку.[12-15]
3.1.5 Фактори впливу на ціну
Динаміка цін на електроенергію стала складнішою в останні
десятиліття через ряд факторів: постійний баланс між попитом і
39
пропозицією, залежність від часу, погодні умови та вплив сусідніх країн. Ці
характеристики складно передбачити і різноманітні, що призводить до
невизначеності і високовольтних цін на електроенергію.
Рисунок 3.3 – Фактори впливу на ціну електроенергії
Збільшення проникнення відновлювальної енергії в останні роки
погіршило це становище через залежність від погодних умов. Обурення щодо
її впливу на ціни та стабільність мережі зросло, що збільшило увагу до
покращення точності прогнозування.
Хоча методи статистики загалом показують хороші результати, вони
можуть бути обмежені у випадку нелінійних і високочастотних даних,
наприклад, щогодинні ціни зі швидкими змінами.
Методи машинного навчання можуть вирішити ці обмеження.
40
3.2 Підготовка даних
Для створення набору даних використовувалися безкоштовні історичні
дані від Європейської мережі операторів передачі електроенергії (ENTSOE)
та Nordpool. Завантажено чотири роки історичних прогнозів та очищених цін
(з 2021 по 2024 рік).
Таблиця 3.1 – Набір даних
41
Назва Опис
date Дата та час у форматі yyyy-mm-dd hh:mm:ss
uk_time Година за часом Великої Британії
cet_time Година за центральноєвропейським часом
Денна ціна на електроенергію у Великій Британії
da_uk_price (фунти стерлінгів/МВт⋅год)
Денна ціна на електроенергію у Франції (фунти
da_fr_price стерлінгів/МВт⋅год)
Денна ціна на електроенергію в Нідерландах
da_nl_price (фунти стерлінгів/МВт⋅год)
Прогноз попиту на електроенергію у Франції на
da_load_fr наступний день
Прогноз попиту на електроенергію в
da_load_nl Нідерландах на наступний день
Прогноз попиту на електроенергію у Великій
da_load_uk Британії на наступний день
Прогнозована сукупна генерація електроенергії
fr_generation у Франції на наступний день
Прогнозована сукупна генерація електроенергії в
nl_generation Нідерландах на наступний день
Прогнозована сукупна генерація електроенергії
uk_generation у Великій Британії на наступний день
Прогнозована сонячна генерація електроенергії
fr_solar у Франції на наступний день
fr_wind_onshore Прогнозована генерація електроенергії від
42
вітроенергетики на суходолі у Франції на
наступний день
Прогнозована сонячна генерація електроенергії в
nl_solar Нідерландах на наступний день
Прогнозована генерація електроенергії від
морської вітроенергетики у Нідерландах на
nl_wind_offshore наступний день
Прогнозована генерація електроенергії від
вітроенергетики на суходолі в Нідерландах на
nl_wind_onshore наступний день
Прогнозована сонячна генерація електроенергії
uk_solar у Великій Британії на наступний день
Прогнозована генерація електроенергії від
морської вітроенергетики у Великій Британії на
uk_wind_offshore наступний день
Прогнозована генерація електроенергії від
вітроенергетики на суходолі у Великій Британії
uk_wind_onshore на наступний день
Свята у Великій Британії (True, якщо свято,
uk_bh інакше False)
Свята в Нідерландах (True, якщо свято, інакше
nl_bh False)
fr_bh Свята у Франції (True, якщо свято, інакше False)
43
Оскільки дані мали різні валюти та гранулярності, виникла проблема
конвертації євро в фунти стерлінгів та перетворення всіх даних на годинну
гранулярність.
Також було враховано різницю у часових поясах.Важливо відзначити,
що ключові функції, такі як дані про газ та вугілля, не було отримано.
3.3 Моделювання та оцінка
Кожна з обраних моделей була піддана навчанню на підготованих
даних та оцінці за допомогою метрик точності. Для оцінки
використовувалась метрика RMSE (Residual Mean Squared Error), яка вимірює
середньоквадратичну помилку між спостережуваними та прогнозованими
значеннями.
44
3.4 Відбір моделей
Для цього проекту було обрано кілька моделей машинного навчання
відповідно до їх сумісності з набором даних та потребами задачі
прогнозування. Основні критерії вибору моделей включають:
● Багато ознак
● Висока частота
● Сезонність
● Середній розмір даних
Random Forest
Random Forest - це алгоритм навчання з учителем, який використовує
метод ансамблю для регресії. Він використовує кілька дерев рішень та
техніку пакування, яка полягає в навчанні кожного дерева рішень на різних
вибірках даних, де вибірка здійснюється з повторенням. Всі прогнози потім
усереднюються. Ця техніка надає можливість зменшити перенавчання та
добре працює з потужними та складними моделями.
Extreme Gradient Boosting (XGBoost)
XGBoost - це алгоритм на основі дерева рішень, який використовує
градієнтний метод підсилення. Він є одним з найшвидших реалізацій
градієнтного підсилення дерев. Замість розглядання потенційної втрати для
всіх можливих розділів для створення нового гілки, він дивиться на розподіл
ознак серед усіх точок даних в листі. Потім він використовує цю інформацію
для зменшення простору пошуку можливих розділів ознак.
45
Support Vector Regression
Support Vector Regression (SVR) - це метод, який використовує підхід
машини опорних векторів для задач регресії. Він конструює гіперплощину в
просторі з відповідностю, що допоможе передбачати неперервні значення.
SVR виконує лінійну регресію в просторі ознак, але, на відміну від методу
найменших квадратів, функція помилки – це функція втрат ε-незалежності.
Мета SVR – переконатися, що помилки не перевищують порогу.
Встановлюється маржа терпіння (ε), і помилки, розташовані в межах певної
відстані від правильного значення, будуть ігноруватися.
Рисунок 3.5 – Візуалізація Support Vector Regression
46
Multilayer Perceptron
Multilayer Perceptron – одна з найпоширеніших архітектур штучних
нейронних мереж. Нейронні мережі намагаються ітеративно навчити набір
ваг, які, використовуючи разом, повернуть найточніші прогнози для вхідних
даних. Модель навчається за допомогою функції втрат, яку наша модель
намагатиметься мінімізувати протягом ітерацій. Ми починаємо зі вхідного
шару ознак, які подаються на нейрони в прихованих шарах. Кожен нейрон є
перцептроном, схожим на групу невеликих лінійних регресій. Інформація
передається від одного шару до наступного, поки не досягне вихідного шару.
Вихідний шар робить один розрахунок для видачі прогнозу для результату.
Збільшуючи обсяг даних у мережі, вона налаштовує ваги на основі виходу
функції втрат, поки не досягне високо навченої моделі та конкретних ваг
(зворотне поширення).[16-17]
Рисунок 3.6 – Архітектура нейронних мереж
47
3.5 Моделювання
Попередні висновки з Експлуатаційного аналізу даних підкреслили
незначну кореляцію між цінами в Великій Британії та фундаментальними
змінними, такими як пропозиція та попит. Кореляція з цінами у сусідніх
країнах не була особливо сильною.
Оскільки у цільовій змінній багато сезонності, ми розглянули
автокореляцію з різними затримками. Найвищі показники були для минулих
цін у схожу годину.
48
Досліджено взаємозв'язок між цінами у Великій Британії та сусідами.
Оцінювалася кореляція між цінами у Великій Британії в момент часу T та
цінами у Франції/Нідерландах з різними затримками. Додавалися затримки з
найвищими показниками кореляції як додаткові ознаки.
Була виконана вибірка ознак, і всі вищезазначені моделі були
оптимізовані.[18]
49
З усіх обраних моделей найкраще себе показала модель Random Forest.
Вона має найвищі показники RMSE та R2 та достойний показник перехресної
перевірки.
50
Модель також точніша за базову модель - годинно усереднені ціни.
51
3.6 Аналіз результатів
Хоча зусилля з оптимізації допомогли мінімізувати показники RMSE,
варто відзначити, що RMSE 5,69 залишається значним, особливо враховуючи
масштаб цільової змінної із середнім значенням 45,86 £/МВт-год.
Однією з проблем, з якою зіткнулися, була нездатність точно
зафіксувати високі стрибки даних, що було частиною нашої початкової мети.
Це свідчить про необхідність подальшого вдосконалення або, можливо,
дослідження альтернативних підходів до моделювання.
Обмеження, пов’язані з даними, також вимагають розгляду.
Покладення на безкоштовні джерела даних створює невизначеність щодо
якості та повноти даних. Незважаючи на те, що ENTSOE збирає дані від
різних учасників ринку, забезпечення достовірності цих даних викликає
проблеми. Оновлення набору даних не завжди можуть відображати
пропущені терміни або перегляди, що призводить до випадків відсутності
або неточності даних. Крім того, важливі функції, такі як ціни на газ і
вугілля, були недоступні через обмеження доступу.
Враховуючи ці обмеження, важливо обережно інтерпретувати
продуктивність моделі. Використання більш надійних джерел даних і
включення додаткових змінних може підвищити точність і стійкість моделі.
Вивчення альтернативних методів машинного навчання, крім тих, що
реалізовані в цьому дослідженні, також може дати цінну інформацію та
покращити ефективність прогнозування. Постійне вдосконалення та
адаптація підходу до моделювання матиме вирішальне значення для
вирішення проблем та невизначеностей, властивих прогнозуванню цін на
енергоносії.[19]
52
3.7 Висновки до розділу 3
Після аналізу третього розділу, який описує практичну реалізацію
прогнозування цін на електроенергію, можна зробити наступні висновки:
Вибір моделей машинного навчання: Проведений аналіз показав, що
для даної задачі прогнозування було обрано кілька моделей, зокрема Random
Forest, Extreme Gradient Boosting (XGBoost) та Support Vector Regression
(SVR). Ці моделі вибрано через їхню ефективність у роботі з багатьма
ознаками, високою частотою та сезонністю даних.
Аналіз даних та вибір ознак: Важливою частиною підготовки даних
було визначення взаємозв'язків між цінами на електроенергію та
фундаментальними змінними, такими як пропозиція та попит. Автокореляція
також допомогла виявити важливі закономірності для прогнозування.
Оцінка моделей: Після навчання моделей проведено оцінку їхньої
ефективності за допомогою метрики RMSE (Residual Mean Squared Error), яка
показала, що найкраще себе показала модель Random Forest. Однак,
зазначено, що навіть оптимізована модель має значну похибку RMSE, що
свідчить про необхідність подальшої роботи над покращенням точності
прогнозів.
Обмеження та перспективи: Важливо враховувати обмеження у
доступі до якісних даних, а також відсутність деяких важливих ознак, які
могли б покращити модель. Для подальшого вдосконалення прогнозування
рекомендується використовувати більш надійні дані та додавати додаткові
змінні, такі як ціни на газ та вугілля.
Отже, висновки за третім розділом підкреслюють успішність
використаних моделей, але водночас вказують на необхідність подальшої
роботи над удосконаленням прогнозів та урахуванням обмежень у доступі до
даних.[20]
53
ВИСНОВКИ
У магістерській роботі був проведений всебічний аналіз
електроенергетичного ринку, включаючи вивчення поточних тенденцій,
факторів, що впливають на ціни електроенергії, а також детальний огляд
методів прогнозування в цьому контексті.
У першому розділі роботи був проведений докладний огляд
електроенергетичного ринку, визначені основні тенденції та виявлені
ключові фактори, що формують динаміку цін на електроенергію. Крім того,
були проаналізовані сучасні методи прогнозування цін, використовуючи
наявні наукові джерела та практичний досвід.
Другий розділ був присвячений вивченню різних методів
прогнозування цін на електроенергію, включаючи класичні математичні
моделі, а також сучасні підходи машинного навчання. Були ретельно оцінені
переваги та недоліки кожного методу, а також їхня ефективність в реальних
умовах.
У третьому розділі була представлена практична реалізація
прогнозування цін на електроенергію на прикладі ринку Великої Британії.
Розглянуті етапи від розуміння дисбалансу ціноутворення до аналізу
результатів моделювання, що надає практичні висновки щодо застосування
різних методів у реальних умовах.
Загальні висновки дослідження підкреслюють важливість
використання різноманітних методів прогнозування цін на електроенергію
для оптимізації стратегій управління та прийняття обґрунтованих рішень у
сфері енергетики. Отримані результати можуть бути використані як для
подальшого розвитку методів прогнозування, так і для забезпечення
ефективного функціонування енергетичного ринку.
54
Важливо відзначити, що для подальшого вдосконалення методів
прогнозування необхідно проводити додаткові дослідження з метою
розробки нових моделей та алгоритмів, а також забезпечення доступу до
якісних даних. Лише таким чином буде можливо досягти значного
покращення точності та надійності прогнозів цін на електроенергію та
забезпечити стабільність функціонування енергетичного ринку у
майбутньому.
Таким чином, магістерська робота автора внесла суттєвий внесок у
розвиток наукових знань у галузі прогнозування енергетики, а також має
потенціал для практичного застосування в енергетичній індустрії. Її
результати можуть бути використані для подальшого вдосконалення методів
прогнозування цін на електроенергію та для прийняття обґрунтованих рішень
у сфері енергетики.
55
ПЕРЕЛІК СКОРОЧЕНЬ ТА УМОВНИХ ПОЗНАЧЕНЬ
NIV – Net Imbalance Volume
LSTM – Long Short-Term Memory
MSE – Mean Squared Error
RMSE – Root Mean Squared Error
MAE – Mean Absolute Error
sMAPE – Symmetric Mean Absolute Percentage Error
API – Application Programming Interface
BRMS – Balancing Mechanism Reporting Service
SO – System Operator
ARIMA – Autoregressive Integrated Moving Average
ДОДАТОК А
«ЗАТВЕРДЖУЮ»
Завідувач кафедри ІБ та КІ
д.т.н., професор Віра БАБЕНКО
__________________
“___” _____________ 2023р.
Дослідження алгоритмів прогнозування цін на електроенергію
Специфікація
482.ЧДТУ.32279-01
Листів 2
Розробник _______________ Богдан ГУСАК
Керівник _______________ Валерій ТАЗЕТДІНОВ
Черкаси 2023
2
482.ЧДТУ.32279-01
Позначення Найменування Примітка
Документація
482.ЧДТУ.32279-01 12 01 Текст програми
ДОДАТОК Б
Дослідження алгоритмів прогнозування цін на електроенергію
Текс програми
482.ЧДТУ.32279-01 12 01
Листів 5
Розробник _______________ Богдан ГУСАК
Черкаси 2023
2
482.ЧДТУ.32279-01 12 01
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
from statsmodels.tsa.stattools import acf, pacf, ccf
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
from sklearn.model_selection import train_test_split, cross_val_score,
TimeSeriesSplit, RandomizedSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestRegressor
from sklearn.svm import SVR
from sklearn.neural_network import MLPRegressor
from sklearn.metrics import mean_squared_error
import xgboost as xgb
from math import sqrt
from matplotlib.dates import DateFormatter
# Load dataset
df = pd.read_csv('electricity_dataset')
# Data cleaning
df['date'] = pd.to_datetime(df['date'])
df.set_index('date', inplace=True)
df.drop(columns=['uk_time', 'true_date', 'cet_time'], inplace=True)
df = pd.get_dummies(df, columns=['uk_bh', 'fr_bh', 'nl_bh'],
drop_first=True, dtype=int)
# EDA
corr = df.corr()
# Features Selection
def shift_function(col, lags):
for c in col:
3
482.ЧДТУ.32279-01 12 01
for i in lags:
df[c + '_' + str(i)] = df[c].shift(i)
return df
shift_function(['da_uk_price'], [24, 168, 336, 144, 48])
shift_function(['da_nl_price'], [25, 169, 168, 24])
shift_function(['da_fr_price'], [168, 169, 24])
df.dropna(inplace=True)
df.drop(columns=['da_nl_price', 'da_fr_price'], inplace=True)
# Modelling and Optimization
n = int(len(df) * 0.95)
y = df['da_uk_price']
X = df.drop(columns='da_uk_price')
X_train, y_train = X[:n], y[:n]
X_test, y_test = X[n:], y[n:]
std = StandardScaler()
X_train = pd.DataFrame(std.fit_transform(X_train),
columns=X_train.columns, index=X_train.index)
X_test = pd.DataFrame(std.transform(X_test), columns=X_test.columns,
index=X_test.index)
ts = TimeSeriesSplit(n_splits=10)
def model_evaluation(model, x_train, y_train, x_test, y_test):
model.fit(x_train, y_train)
train_score = model.score(x_train, y_train)
test_score = model.score(x_test, y_test)
cross_val = cross_val_score(model, x_train, y_train, cv=ts).mean()
rmse = sqrt(mean_squared_error(y_test, model.predict(x_test)))
return train_score, test_score, cross_val, rmse
model_selection = [
4
482.ЧДТУ.32279-01 12 01
RandomForestRegressor(),
SVR(),
xgb.XGBRegressor(verbosity=0),
MLPRegressor()
]
results = []
for idx, model in enumerate(model_selection):
train_score, test_score, cross_val, rmse = model_evaluation(model,
X_train, y_train, X_test, y_test)
results.append([idx, model.__class__.__name__, train_score, test_score,
cross_val, rmse])
results_df = pd.DataFrame(results, columns=['Id', 'Model', 'Train Score',
'Test Score', 'Cross Val', 'RMSE'])
# Feature Importance
model = RandomForestRegressor()
model.fit(X_train, y_train)
feature_importances = pd.DataFrame(model.feature_importances_,
index=X_train.columns, columns=['Importance'])
feature_importances.sort_values(by='Importance', ascending=False,
inplace=True)
# Predictions
model = RandomForestRegressor(random_state=1, n_estimators=2000,
min_samples_leaf=4, max_depth=10, max_features=4)
model.fit(X_train, y_train)
predictions_test = model.predict(X_test)
# Baseline
hourly_price_average = y_test.groupby(y_test.index.hour).mean()
baseline = pd.DataFrame(index=y_test.index)
baseline['Model Predictions'] = predictions_test
5
482.ЧДТУ.32279-01 12 01
baseline['Actual Values'] = y_test
baseline['Baseline Predictions'] = y_test.index.map(lambda x:
hourly_price_average[x.hour])
baseline_score = np.sqrt(mean_squared_error(y_test, baseline['Baseline
Predictions']))
# Plotting
fig, ax = plt.subplots(figsize=[15, 8])
sns.lineplot(data=baseline, linewidth=2, palette="Blues_d", ax=ax)
ax.xaxis.set_major_formatter(DateFormatter('%d-%m-%Y'))
ax.set_facecolor('#f7fbff')
ax.legend(loc='upper right', fontsize=14)
plt.title('Last 7 day predictions on test set', fontsize=16, color='#08306b',
fontweight='bold')
plt.show()
56
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ
1. Калінчик, В. П., Буравльова, М. Т., Калінчик, В. В., & Скосирев, В. Г.
(2020). Прогнозування показників енергоспоживання, генерації і
вартості отриманої енергії. Вчені записки ТНУ імені В.І. Вернадського.
Серія: технічні науки, 31(70), 244. DOI: https://doi.org/10.32838/2663-
5941/2020.2-1/38
2. Запорожчук, Тетяна. (рік публікації). "Моделювання та прогнозування
ціни на ринку нафти за допомогою ARIMA-моделі". Назва журналу,
том (номер), сторінки. DOI: [посилання на DOI].
3. Elexon. https://www.elexon.co.uk/, accessed: 2021-03-12
4. Besta, S. (2019). П'ять найбільших країн Європи за виробництвом
сонячної енергії. NS Energy.
5. Стан і перспективи розвитку технологій «інтелектуальних» електроме-
реж, управління попитом та систем режимного управління в умовах
розвитку поновлюваних джерел енергії у зарубіжній енергетичній
сфері. URL: https:// ua.energy/wp-content/uploads/2018/04/1.-Stan-
rozvytku-smart-grid.pdf. Дата доступу 09.04.2022р.
6. Коцар О.В, Расько Ю.О. Вдосконалення методичного та
інструментального забезпечення управління попитом в лібералізованих
ринках електричної енергії. Технічна електродинаміка. 2023. № 3. С.
68–78. URL: https://doi.org/10.15407/ techned2023.03.068
7. Bobinaite V., Konstantinavičiūte I., Lekavičius V. Theoretical Model for
Electricity Market Price Forecasting. Economics and Management. 2012.
Vol. 17, № 3. PP. 944–951. URL: https://doi.org/10.5755/j01.em.17.3.2119
57
8. Weron R. Modeling and Forecasting Electrcity Loads and Prices: Statistical
Approach. John Wiley & Sons Ltd., 2006. 192 p.
9. Peters E. Chaos and Order in the Capital Markets: A New View of Cycles,
Prices, and Market Volatility, 2nd Edition. John Wiley & Sons Ltd., 1996.
288 p.
10.Aggarwal S.K., Saini L.M., Kumar A. Electricity Price Forecasting in
Deregulated Markets: A Review and Evaluation. International Journal of
Electrical Power & Energy Systems. 2009. Vol. 31, № 1. P. 13–22.
11.Singhal D., Swarup K.S. Electricity Price Forecasting Using Artificial
Neural Networks. International Journal of Electrical Power & Energy
Systems. 2011. Vol. 33, № 3. P. 550–555.
12.Weron R. Electricity Price Forecasting: A Review of the State-of-the-art
with a look into the future. International Journal of Forecasting. 2014. Vol.
30. P. 1030–1081. URL: http://dx.doi.org/10.1016/j.ijforecast.2014.08.008
13.Mokhor, V.V. (2020), “On the creation of a multi-agent simulation model of
pricing processes in the electricity market”, Elektronne modelyuvannya,
Vol. 42, № 6, р 3-17.https://doi.org/10.15407/emodel.42.06.003
14.Law of Ukraine "On the electricity market" № 2019-VІІІ dated April 13,
2017, available at: https://zakon.rada.gov.ua/laws/show/2019 -19 / page2
(accessed: October 10, 2019).
15.National Commission for State Regulation of Energy and Utilities. About
the statement of Rules of the market. Resolution №307 of March 14, 2018,
available at: https://zakon.rada.gov.ua/laws/show/v0307874-18/page#Text
(accessed: October 10, 2019).
16.National Commission for State Regulation of Energy and Utilities. On
approval of the Rules of the day-ahead market and the intraday market.
Resolution № 308 of March 14, 2018, available at:
58
https://zakon.rada.gov.ua/laws/show/v0307874-18/page#Text (accessed:
October 10, 2019).
17.The National Committee, which is good for the state regulation in the
spheres of energy and communal services. About the consolidated Code of
the Commercial Obligation of Electricity. Resolution № 311 dated March
14, 2018, available at: https://zakon.rada.gov.ua/laws/show/v0307874-
18/page#Text (accessed: October 10, 2019).
18.Market Operator, URL: https://www.oree.com.ua/.
19.UKRENERGO, URL: https://ua.energy/.
20.Blinov, І.V. (2011), “Prior to the formation of lots of producers for auctions
for the purchase and sale of electrical energy”, Pratsi Instytutu
elektrodynamiky NAN Ukrayiny, Vol. 28, pp. 20-25.
21.Korolev, M. (2004), “We make orders for sale…”, Professionalnyy zhurnal,
64-69.
22.Amelina, A.Yu. (2004), “Choosing the Optimal Strategy for a Generating
Company to Behave in the Day-Ahead Market under Market
Regulation”, Vektor nauki TGU, Vol. 4, pp. 63-68.
23.Mikeshina, A.A. (2010), “The strategy of behavior of a generating company
in the wholesale electricity market”, Ekonomika, Statistika i Informatika,
Vol. 6, pp. 190-192.
24.Filatov, S.A. (2013), “Models and methods for the formation of optimal
strategies for the behavior of generating companies in the wholesale
electricity market”, Abstract of Cand. Sci. (Econom.) dissertation, 08.00.13,
Saint Petersburg State University of Engineering and Economics, Saint
Petersburg, Russia.
25.Sekretarev, Yu.A. (2018), “Mathematical model of management of the
functioning of a generating company in modern conditions”, Tomskogo
59
politekhnicheskogo universiteta. Inzhiniring georesursov, Vol. 329, № 2, pp.
146-158.
26.Biteryakov, Yu.F. (2005), “On the issue of price formation in competitive
electricity markets”, Vestnik IGEU, 2, pp. 1-4.
27.Kirilenko, O.V. (2011), “Balancing market of electricity of Ukraine and a
mathematical model”, Tekhnichna elektrodynamika, Vol. 2, pp. 36–43.
28.Kirilenko, O.V. (2019), “Simulation model of the market of electrical energy
"in good time" with implicit consideration of festooned interconnection of
energy systems, Tekhnichna elektrodynamika, 5, pp. 60-67, DOI:
https://doi.org/10.15407/techned
29.Kamchatova, E.Yu. (2016), “Risks of energy companies”, Vestnik
universiteta, Vol. 11, pp. 69-74.
30.Market Risk Management in Russian electricity companies. Analyticalstudy.
KPMG (2012), available
at: https://www.kpmg.com/RU/ru/IssuesAndInsights/ ArticlesPublications/D
ocuments/Market-risk-management-at-Russian-power-companies-rus.pdf
(accessed: October 11, 2016).
31.Azevedo, F. (2006), “Forecasting electricity prices with historical statistical
information using neural networks and clustering techniques”, IEEE PES
Power Systems Conference and Exposition, pp. 44-50.
https://doi.org/10.1109/PSCE.2006.296247
32.Jain, A. (2009), “Short Term Load Forecasting by Clustering Technique
based on Daily Average and Peak Loads”, Proceedings of 2009 IEEE Power
Energy Society General Meeting (PESGM 2009), Report №:
IIIT/TR/2009/205, Centre for Power Systems, International Institute of
Information Technology, Hyderabad, India, July 2009.
https://doi.org/10.1109/PES.2009.5275738
60
33.Аzevedo, F. (2010), “A long-term risk management tool for electricity
markets using swarm intelligence”, Electric Power Systems Research, 380-
389. https://doi.org/10.1016/j.epsr.2009.10.002
34.Ortiz, M. (2016), “Price forecasting and validation in the Spanish electricity
market using forecasts as input data”, Electrical Power and Energy Systems,
№ 77, pp. 123-127 (available at: www.elsevier.com/locate/ijepes).
https://doi.org/10.1016/j.ijepes.2015.11.004
35.Chujie, T. (2018), “A Deep Neural Network Model for Short-Term Load
Forecast Based on Long Short-Term Memory Network and Convolutional
Neural Network”, Energies, № 11, p. 13, DOI:10.3390/en11123493,
available at: www.mdpi.com/journal/energies.
https://doi.org/10.3390/en11123493
36.NEMSIM: the National Electricity Market simulator, available
a t : h t t p : / / p r e s s - f i l e s . a n u . e d u . a u / d o w n l o a d s /
press/p96431/mobile/ch11s08.html.
37.Borukaev, Z.Kh. (2006), Approach to the construction of a game-theoretic
model of the energy market, Elektronne modelyuvannya, Vol. 28, № 4, pp.
107-119.