Evaluation of machine learning models for predicting the system marginal price of an electricity system – Italian SMP Day-Ahead forecasting

Abstract

Σε μια αγορά ηλεκτρικής ενέργειας, οι προβλέψεις για τις τιμές ηλεκτρικής ενέργειας έχουν μεγάλη σημασία για τους συμμετέχοντες στην αγορά. Η παρουσία της μη γραμμικότητας, της μη σταθερότητας και της πολλαπλής εποχικότητας στις τιμές της ηλεκτρικής ενέργειας καθιστά τη πρόβλεψή τους μια εξαιρετικά απαιτητική διαδικασία. Πολλές μελέτες έχουν διεξαχθεί σε αυτόν τον τομέα, ωστόσο απαιτούνται πιο ολοκληρωμένες και ενημερωμένες μέθοδοι πρόβλεψης τιμών. Η Ευρώπη είναι μια μεγάλη και πολύπλοκη αγορά ενέργειας που αποτελείται από πολλές χώρες που ανταλλάσσουν τεράστιες ποσότητες ηλεκτρικής ενέργειας σε καθημερινή βάση και η Ιταλία αποτελεί μια από τις σημαντικότερες ενεργειακές αγορές στην περιοχή της Νότιας Ευρώπης. Σε αυτή την έρευνα, διερευνήθηκαν τρεις τύποι μοντέλων μηχανικής μάθησης με στόχο να προβλεφθεί όσο το δυνατόν ακριβέστερα η ιταλική SMP. Συγκεκριμένα, ένα αυτοπαλινδρομικό, ένα MLP και τρία μοντέλα LSTM κατασκευάστηκαν με σκοπό την πρόβλεψη της ιταλικής SMP Day-Ahead σε ωριαίο επίπεδο. Οι προβλέψεις κάθε μοντέλου αξιολογήθηκαν για ένα χρονικό διάστημα που εκτείνεται έως και δύο εβδομάδες μπροστά μέσω του υπολογισμού των αντίστοιχων μετρήσεων MAPE και RMSE. Ορισμένα χαρακτηριστικά επιλέχθηκαν αρχικά ως υποψήφια για την εκπαίδευση των μοντέλων μηχανικής εκμάθησης, κάτι που είναι επίσης η βασική διαφορά μεταξύ άλλων παρόμοιων μελετών. Συγκεκριμένα, μεταξύ των χαρακτηριστικών που επιλέχθηκαν αρχικά, συμπεριλήφθηκαν οι τιμές ηλεκτρικής ενέργειας μεγάλων ευρωπαϊκών χωρών. Αυτό είναι κρίσιμο λόγω του γεγονότος ότι η Ιταλία είναι πλέον άμεσα συνδεδεμένη (EU Target model) με πολλές γειτονικές της χώρες, υποδηλώνοντας μια πολύ ισχυρότερη αλληλεξάρτηση με τα σύνορά της. Εφαρμόστηκαν τρεις μέθοδοι επιλογής χαρακτηριστικών για το φιλτράρισμα τυχόν περιττών χαρακτηριστικών, οι μέθοδοι SFS, Random Forest Regressor και F_regression. Η ουγγρική SMP, η τιμή SMP υστέρησης 24 (το ιταλικό SMP μετατοπίστηκε κατά 24 ώρες στο παρελθόν) και το Residual προσδιορίστηκαν ως τα πιο σημαντικά χαρακτηριστικά. Το σύνολο δεδομένων που χρησιμοποιήθηκε καλύπτει συνολικά την περίοδο 2021/06/01 έως 2021/10/22. Ιστορικά δεδομένα συλλέχθηκαν από διάφορες πηγές όπως, GME, Nord Pool, Entso-e και Terna. Τα δείγματα εκπαίδευσης και δοκιμής ήταν πανομοιότυπα για κάθε μοντέλο προκειμένου να διασφαλιστεί η συνέπεια μεταξύ τους. Τα αποτελέσματα της αξιολόγησης είναι πολλά υποσχόμενα, ειδικά για το bidirectional LSTM και το Stacked LSTM. Συγκεκριμένα, όσον αφορά μια πρόβλεψη έως και δύο εβδομάδες μπροστά, οι τιμές MAPE και RMSE του Stacked LSTM και του Bidirectional LSTM βρέθηκαν να είναι 6,965 %, 19,628 Ευρώ / MWh και 7,249 %, 20,237 Ευρώ / MWh αντιστοίχως. Επιπλέον, αυτοί οι προτεινόμενοι αλγόριθμοι βαθιάς μάθησης έδειξαν βελτιωμένη απόδοση όταν εκπαιδεύτηκαν με μεγαλύτερο δείγμα δεδομένων. Ωστόσο, υπάρχουν περισσότεροι κίνδυνοι που προστίθενται στο σφάλμα πρόβλεψης οι οποίοι προέρχονται από την αβεβαιότητα στην πρόβλεψη τόσο της ουγγρικής SMP όσο και του Residual. Με το σκεπτικό ότι το Stacked LSTM παρήγαγε τα πιο θετικά αποτελέσματα, πραγματοποιήθηκε ανάλυση ευαισθησίας για να ελεγχθεί σε ποιο βαθμό αλλάζει η απόδοση του συγκεκριμένου μοντέλου. Αποφασίστηκε να τροποποιηθούν κατά +15 % και κατά -15 % οι τιμές της Ουγγαρίας. Η απόδοση του μοντέλου επιδεινώθηκε και πιο συγκεκριμένα για μεταβολή +15 %, MAPE και RMSE αυξήθηκαν στο 8,720 % και 23,648 Ευρώ /MWh αντίστοιχα, ενώ για μια αλλαγή -15 %, MAPE και RMSE αυξήθηκαν σε 8,856 % και 24,561 ευρώ / MWh αντιστοίχως.