Predviđanje metrike električne energije za dan unaprijed s umjetnim neuronskim mrežama
PROBLEM/IZAZOV
Tržište energije dan unaprijed omogućava učesnicima na tržištu da se obavežu na kupovinu ili prodaju električne energije na veliko jedan dan prije radnog dana, kako bi se izbjegla volatilnost cijena. Modeli predviđanja potrošnje (opterećenja) koji koriste ML i HPC široko se koriste u sistemima za proizvodnju i distribuciju električne energije, elektranama, tržištima, procjeni upotrebe energije i drugim poljima. Predviđanje cijena i opterećenja za dan unaprijed stvara osnovu za donošenje odluka u ovom procesu, a korištenje umjetnih neuronskih mreža (ANN) za predviđanje cijene/tražnje se sve više istražuje
Eksperiment ispituje efikasnost modela predviđanja vremenskih serija kada se dobije skup podataka sa satnim vrijednostima, povezanim sa tržištem električne energije dan unaprijed. Predstavlja obradu i prikaz podataka kako bi se uklopili u modele predviđanja, opisuje specifičnosti tržišta električne energije za dan unaprijed i bliže opisuje način na koji svaki od korištenih modela neuronske mreže funkcionira.
RJEŠENJE:
Rješenje istražuje korištenje umjetnih neuronskih mreža za predviđanje cijene električne energije i potražnje za dan unaprijed. Autori upoređuju različite modele neuronskih mreža koristeći iste skupove podataka i metrike kako bi procijenili njihovu efikasnost u predviđanju metrike električne energije. Studija otkriva da neuronske mreže pokazuju obećavajuće rezultate za kratkoročno predviđanje, s arhitekturama koje kombinuju potpuno povezane slojeve i rekurentne neuronske ili temporalne konvolucione slojeve koje imaju najbolje rezultate. Vremenske konvolucione mreže pokazuju potencijal za dalja istraživanja u ovoj oblasti. Istraživanje naglašava važnost standardiziranih metoda poređenja za algoritme predviđanja i predstavlja pošteno poređenje više ANN pristupa. Korišteni skupovi podataka uključuju mađarski HUPX tržišni skup podataka o cijenama za dan unaprijed i crnogorski skup podataka za predviđanje opterećenja.
Istraživačke napore podržavaju stručnjaci iz domena industrije, koji su dali skupove podataka o cijenama i opterećenju, razumijevanje problema potrošnje za dan unaprijed, predviđanje spot cijena i volatilnost tržišta električne energije.
Pored tradicionalnih neuronskih mreža i rekurentnih neuronskih mreža sa LSTM ćelijama, kreiran je i testiran performans temporalnog konvolucionog neuronskog (TCN) modela, kao relativno novog pristupa predviđanju vremenskih serija. Osim toga, da bi se procijenila upotreba ANN-a, kreiraju se naivni i linearni regresijski modeli za isti skup podataka u svrhu benčmarka i validacije. Prilikom predviđanja električnog opterećenja, modeli se upoređuju sa zvaničnim predviđanjem koje pruža ENTSO-E platforma za transparentnost.
U ovom istraživanju, naivni i linearni regresijski modeli su upoređivani sa ANN modelima kako bi se procijenila vrijednost korištenja ANN-a za ova predviđanja. Modeli neuronske mreže pokazali su značajno poboljšanje u tačnosti u poređenju sa naivnim modelima, linearnom regresijom, au slučaju skupa podataka o potrošnji, službenim predviđanjem. Temporalni konvolucijski slojevi i LSTM slojevi, oba u kombinaciji sa potpuno povezanim slojevima, pokazali su najbolje performanse za oba zadatka predviđanja. Rezultati su pokazali obećavajuću efikasnost AI i ML za zadatak kratkoročnog predviđanja metrike električne energije.
BENEFITI:
- Precizno predviđanje cijene električne energije moglo bi pomoći učesnicima na energetskom tržištu da smanje cjenovne rizike i maksimiziraju profit.
- metrika tržišta električne energije zasnovana na HPC-u i ML-u mogla bi pružiti pravovremene informacije svim subjektima zainteresovanim za trgovinu električnom energijom i finansijski obavezujuće cijene za dan unaprijed.
- HPC omogućava uštedu vremena, 10x ili više, omogućavajući brže izračunavanje modela predviđanja i kalibraciju na dnevnoj bazi.