Aplikace strojového učení na energetických trzích

Abstract

Cílem naší práce bylo předpovědět hodnotu produkce elektrické energie pro následující den vodní elektrárny na říčním toku. Analyzovali jsme možnosti pro jednokrokové předpovědi pro denní průměrná data a vícekrokové předpovědi pro hodinová průměrná data produkce elektrické energie, přičemž jsme jako prediktory použili hydrometeorologická data. Poté jsme prozkoumali vztah mezi daty o počasí a produkcí elektrické energie. Navrhli jsme několik přístupů, konkrétně Exponenciální vyhlazování, ARIMA a Temporální konvoluční síť. Zjistili jsme, že nejlépe fungující model bylo jednoduché Exponenciální vyhlazování bez jakýchkoliv exogenních proměnných, a že tyto exogenní proměnné neposkytovaly žádné další informace.

The goal of our work was to predict the day-ahead value of electricity production from a run-of-river hydropower plant. We analysed potential options for single-step predictions for daily average data and multi-step predictions for hourly average data of electricity production, using hydrometeorological data as predictors. Then, we investigated the relationship between the weather data and electricity production. We proposed several approaches, namely Exponential Smoothing, ARIMA, and Temporal Convolutional Network. We found that the best-performing model was simple Exponential Smoothing without any exogenous variables, and that these exogenous variables did not