Флексибилност електроенергетског система / Зборник CIGRE (2023). (стр 1752-1766)
АУТОР(И) / AUTHOR(S): Ivan Milenković, Aleksandar Bojarov
Е-АДРЕСА / E-MAIL: ivan.milenkovic@wsp.com
Download Full Pdf 
DOI: 10.46793/CIGRE36.1752M
САЖЕТАК / ABSTRACT:
U ovom radu predstavljamo modele mašinskog učenja koji su razvijeni u cilju predviđanja cene na berzi električne energije u Srbiji. Biće prikazano nekoliko algoritama uz analizu njihovih rezultata. Modeli koji su prikazani bazirani su na principima modela koji se koriste za predviđanje vremenskih serija i kompleksnog modela mašinskog učenja na osnovu relevantnih podataka koji utiču na cenu električne energije u Srbiji. Ispitaćemo u kojoj meri se ovakavi savremeni algoritmi mogu primeniti na problem prognoze cena na berzi električne energije. Za izradu modela i analize biće korišćeni istorijski podaci preuzeti sa platforme za transparentnost udruženja evropskih operatora prenosnih sistema (https://transparency.entsoe.eu/). Algoritam i analiza su napravljeni u programskom jeziku „Python― uz korišćenje za to odgovarajućih biblioteka. Algoritam sa najboljim rezultatima biće predstavljen i javno dostupan kao internet servis koji prikazuje predviđanja modela za dan unapred, kao i istorijske podatke modela u cilju provere kvaliteta predviđanja.
КЉУЧНЕ РЕЧИ / KEYWORDS:
mašinsko učenje, predviđanje vremenskih serija, berza električne energije, tržište električne energije
ЛИТЕРАТУРА / REFERENCES:
- H. L.Willis, Spatial Electric Load Forecasting, Macel Decker, New York, 2002.
- N. Bibi, I. Shah, A. Alsubie, S. Ali,S.A.Lone, Electricity Spot Prices Forecasting Based on Ensemble Learning , IEEE ,2021.
- V. Vovk, A. Gammerman, and G. Shafer, Algorithmic Learning in a Random World. Springer, 2005.
- A. Meng, P. Wang, G. Zhai, C. Zeng, S. Chen, X. Yang, H. Yin, Electricity price forecasting with high penetration of renewable energy using attention-based LSTM network trained by crisscross optimization, Energy Volume 254, Part A, 1 September 2022, 124212
- H. S. Hippert and C. E. Pedreira, Estimating temperature profiles for short-term load forecasting: neural networks compared to linear models, IEEE Proceedings – Generation, Transmission and Distribution, vol. 151, pp. 543-547, 2004.
- K. Bandaraa, R. J. Hyndmanb and C. Bergmeirc, MSTL: A Seasonal-Trend
Decomposition Algorithm for Time Series with Multiple Seasonal Patterns,
arXiv:2107.13462v1, 2021. - J. Lago, F. De Ridder, B. De Schuter, Forecasting Spot Electricity Prices: Deep learning approaches and empirical, Applied Energy 221 (2018) 386-405
- Zhang, C., Li, R., Shi, H. and Li, F., Deep learning for day-ahead electricity price forecasting. IET Smart Grid, 3: 462-469. https://doi.org/10.1049/iet-stg.2019.0258 , 2020.
- Alshater, M.M., Kampouris, I., Marashdeh, H. et al. Early warning system to predict energy prices: the role of artificial intelligence and machine learning. Ann Oper Res 2022.
- C.-C. Chang and C.-J. Lin, LIBSVM: A Library for Support Vector Machines, 2001.
- R. C. Garcia, J. Contreras, M. Akkeren and J. C. Garcia, A GARCH Forecasting Model to Predict Day-Ahead Electricity Prices, IEEE Trans. Power Syst., vol. 20, pp. 867-874, May 2005.
- W.Yang, S. Sun, Y. Hao and S.Wang, A novel machine learning-based electricity price forecasting model based on optimal model selection strategy, Energy Volume 238, Part C, 1 January 2022, 121989
- https://www.skalamerie.com/dodona/eeprice.php je web adresa na kojoj objavljujemo predikcije kreiranog algoritma