Knowledge base: Warsaw University of Technology

Settings and your account

Back

Forecasting electricity prices on the Day Ahed market of the Polish Power Exchange in 72-hour time horizon using Artificial Neural Networks

Gabriel Piotr Niedziałek

Abstract

W pracy zaprezentowano model prognostyczny cen energii elektrycznej na rynku Dnia Następnego na Towarowej Giełdzie Energii w horyzoncie czasowym 72 godziny przy pomocy Sztucznych Sieci Neuronowych. Został przedstawiony krótki rys historyczny rozwoju rynków elektroenergetycznych, zarówno w Polsce jak i na świecie. Uzasadniona została unikalność rynku energii elektrycznej. Zostały wymienione oraz omówione główne prawa europejskie dotyczące rynku oraz jego typy. Omówione zostało działanie Towarowej Giełdy Energii oraz rodzaje hurtowych rynków energii elektrycznej. Postulowano istotę ryzyka ponoszonego na rynku oraz zaproponowano metodę jego ograniczania. Wyróżniono najpopularniejsze metody modelowania procesów oraz omówiono metodę opartą na inteligencji obliczeniowej - Sztuczne Sieci Neuronowe. Udowodniono ich biologiczną analogię z funkcjonowaniem systemu nerwowego, opisano główne elementu budowy każdego neuronu oraz najczęściej spotykane topologie ich budowy. Przedstawione zostały podstawy uczenia sieci neuronowych - zaprezentowane zostały dwie metody uczenia z nauczycielem: metoda wstecznej propagacji błędu oraz algorytm Levenberga-Marquardta. wyszczególniono najczęściej używane w pracach naukowych metody ewaluacji modelu. Przeanalizowano szereg czasowy cen energii elektrycznej pod kątem jego stacjonarności. Dokonano przeglądu czynników mogących mieć wpływ na kształtowanie się cen na rynku, a następnie wybrano 9, na podstawie których zostały zbudowane modele. Powstały 72 modele na 24, 48 i 72 godziny wprzód, dla każdego miesiąca w roku, z uwzględnieniem danych o dostępności generacji oraz bez ich uwzględnienia. Zostały przeprowadzone symulacje tych modeli na zbiorach testowych oraz walidacyjnych, na podstawie których obliczone zostały uogólnione błędy predykcji, w postaci absolutnych średnich błędów procentowych dla zbiorów walidacyjnych oraz błędów średniokwadratowych dla zbiorów testowych. Podsumowana została skuteczność predykcji modeli oraz zaproponowano sposoby jej poprawy. Efektem pracy jest stworzenie modelu rynku Dnia Następnego na Towarowej Giełdzie Energii, który z powodzeniem może być stosowany w spółkach obrotu energią w celu ograniczenia ryzyka związanego z handlem energią na giełdzie.
Diploma type
Engineer's / Bachelor of Science
Diploma type
Engineer's thesis
Author
Gabriel Piotr Niedziałek (FPAE) Gabriel Piotr Niedziałek,, Faculty of Power and Aeronautical Engineering (FPAE)
Title in Polish
Prognozowanie cen energii elektrycznej na rynku Dnia Następnego na Towarowej Giełdzie Energii w horyzoncie czasowym 72 godzin przy użyciu Sztucznych Sieci Neuronowych
Supervisor
Konrad Wojdan (FPAE/IHE) Konrad Wojdan,, The Institute of Heat Engineering (FPAE/IHE)Faculty of Power and Aeronautical Engineering (FPAE)
Certifying unit
Faculty of Power and Aeronautical Engineering (FPAE)
Affiliation unit
The Institute of Heat Engineering (FPAE/IHE)
Study subject / specialization
, Energetyka (Power Engineering)
Language
(en) English
Status
Finished
Defense Date
18-02-2016
Issue date (year)
2016
Pages
78
Internal identifier
MEL; PD-3558 (zastrzeżona)
Reviewers
Konrad Świrski (FPAE/IHE) Konrad Świrski,, The Institute of Heat Engineering (FPAE/IHE)Faculty of Power and Aeronautical Engineering (FPAE) Konrad Wojdan (FPAE/IHE) Konrad Wojdan,, The Institute of Heat Engineering (FPAE/IHE)Faculty of Power and Aeronautical Engineering (FPAE)
Keywords in Polish
Sztuczne Sieci Neuronowe, predykcja cen energii elektrycznej, Rynek Dnia Następnego, Towarowa Giełda Energii
Keywords in English
Artificial Neural Networks, electricity price predictions, Day Ahead Market, Polish Power Exchange
Abstract in Polish
The paper presents a forecasting model of electricity prices on the Day Ahead market of the Polish Power Exchange in a 72-hour time horizon, using Artificial Neural Networks. A short historical background is included on the electro energy market, both around the world and in Poland. The uniqueness of the electricity market is justified. The European laws residing at the basis of the market are listed and described, as well as different market schemes. The operation of the Polish Power Exchange and three main types of wholesale electricity markets are discussed. The essence of the risk inherent of the electricity market is postulated and a method of its reduction is offered. Most popular modelling approaches are singled out and a method based on computational intelligence is talked over - Artificial Neural Networks (ANN). Their biological analogy to the functioning of a nervous system is proven and the main components of a neuron, as well as the main topologies of ANN. The fundamentals of ANN learning are elaborated upon - two supervised learning methods are presented - backpropagation and Levenberg-Marquardt algorithm. Model evaluation methods are listed. The stationarity of the investigated time series of electricity prices is analyzed. Probable factors affecting the price of electricity are reviewed and 9 most relevant are proposed as basis for the creation of models. 72 models are constructed, for 24, 48 and 72 hours ahead, for each month of a year, both including the available generation data and not. Simulations using these models are conducted on both the testing and validation sets, according to which overall prediction errors are calculated, in the form of mean squared errors over the testing sets, and mean absolute percentage errors over the validation sets. The forecasting accuracy is summarized and various ways for its improvement are proposed. The effect of the research is the creation of a model of the Day Ahead market on the Polish Power Exchange, which can be successfully employed and used by electricity trading companies, as a mean of risk reduction inherent of energy trading on a deregulated market.
File
  • File: 1
    inzynierka-wersja-apd.pdf
Request a WCAG compliant version
Local fields
Identyfikator pracy APD: 9295

Uniform Resource Identifier
https://repo.pw.edu.pl/info/bachelor/WUTa6858bb6bbeb40dea39426de0b3dee1a/
URN
urn:pw-repo:WUTa6858bb6bbeb40dea39426de0b3dee1a

Confirmation
Are you sure?
Report incorrect data on this page