Loading...
Publication
Electricity price forecasting
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 5.29 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
This dissertation examines the application of advanced machine learning techniques to enhance
electricity price forecasting in deregulated markets. As electricity markets continue
to evolve with deregulation and increased competition, accurate price forecasting becomes
vital for stakeholders, including energy producers, grid operators, and traders. Traditional
forecasting models often face challenges in capturing the complex, non-linear dynamics of
electricity prices, which are influenced by various factors such as weather patterns, demand
fluctuations, supply-side uncertainties, and regulatory changes.
This research employs the CRISP-DM methodology, utilizing machine learning algorithms
such as Long Short-Term Memory (LSTM), Random Forest, and XGBoost to improve both
short-term and long-term price predictions. The methodology involves data collection and
preprocessing, model development, variable tuning, and validation against real-world data.
Key findings indicate that integrating multiple data sources, including real-time weather
data and demand forecasts, significantly enhances the accuracy and reliability of forecasting
models.
Throughout this work, several forecasting models, both statistical and machine learningbased,
were developed and compared for short-term and long-term horizons. The best
short-term results were achieved using LSTM and XGBoost, with MAPE values below 8%
after hyperparameter tuning. For long-term forecasting, XGBoost and Random Forest stood
out for their robustness and stability, with XGBoost achieving a MAPE of 9.78%. Statistical
tests confirmed that in certain contexts, the performance differences between models were
statistically significant, thus validating the methodological choices made.
Esta dissertação explora a aplicação de técnicas avançadas de machine learning para melhorar a previsão de preços de eletricidade em mercados desregulados. À medida que os mercados de eletricidade continuam a evoluir com a desregulação e o aumento da concorrência, a previsão precisa dos preços torna-se vital para os diferentes intervenientes, incluindo produtores de energia, operadores de rede e traders. Os modelos tradicionais de previsão enfrentam frequentemente dificuldades em capturar as dinâmicas complexas e não lineares dos preços da eletricidade, que são influenciadas por diversos fatores como padrões meteorológicos, flutuações na procura, incertezas do lado da oferta e alterações regulatórias. Esta investigação segue a metodologia CRISP-DM, utilizando algoritmos de machine learning como Long Short-Term Memory (LSTM), Random Forest e XGBoost para melhorar as previsões de preços a curto e a longo prazo. A metodologia abrange a recolha e préprocessamento de dados, o desenvolvimento dos modelos, a afinação de variáveis e a validação com dados reais. Os principais resultados indicam que a integração de múltiplas fontes de dados, incluindo dados meteorológicos em tempo real e previsões de procura, melhora significativamente a precisão e fiabilidade dos modelos de previsão. Ao longo deste trabalho foram desenvolvidos e comparados vários modelos de previsão, tanto estatísticos como de machine learning, para horizontes de curto e longo prazo. Os melhores resultados no curto prazo foram obtidos com os modelos LSTM e XGBoost, atingindo um erro MAPE inferior a 8% após afinação. Para o longo prazo, os modelos XGBoost e Random Forest destacaram-se pela sua robustez e estabilidade, com o XGBoost a alcançar um MAPE de 9.78%. Os testes estatísticos confirmaram que, em determinados contextos, as diferenças entre modelos são estatisticamente significativas, validando as escolhas metodológicas efetuadas.
Esta dissertação explora a aplicação de técnicas avançadas de machine learning para melhorar a previsão de preços de eletricidade em mercados desregulados. À medida que os mercados de eletricidade continuam a evoluir com a desregulação e o aumento da concorrência, a previsão precisa dos preços torna-se vital para os diferentes intervenientes, incluindo produtores de energia, operadores de rede e traders. Os modelos tradicionais de previsão enfrentam frequentemente dificuldades em capturar as dinâmicas complexas e não lineares dos preços da eletricidade, que são influenciadas por diversos fatores como padrões meteorológicos, flutuações na procura, incertezas do lado da oferta e alterações regulatórias. Esta investigação segue a metodologia CRISP-DM, utilizando algoritmos de machine learning como Long Short-Term Memory (LSTM), Random Forest e XGBoost para melhorar as previsões de preços a curto e a longo prazo. A metodologia abrange a recolha e préprocessamento de dados, o desenvolvimento dos modelos, a afinação de variáveis e a validação com dados reais. Os principais resultados indicam que a integração de múltiplas fontes de dados, incluindo dados meteorológicos em tempo real e previsões de procura, melhora significativamente a precisão e fiabilidade dos modelos de previsão. Ao longo deste trabalho foram desenvolvidos e comparados vários modelos de previsão, tanto estatísticos como de machine learning, para horizontes de curto e longo prazo. Os melhores resultados no curto prazo foram obtidos com os modelos LSTM e XGBoost, atingindo um erro MAPE inferior a 8% após afinação. Para o longo prazo, os modelos XGBoost e Random Forest destacaram-se pela sua robustez e estabilidade, com o XGBoost a alcançar um MAPE de 9.78%. Os testes estatísticos confirmaram que, em determinados contextos, as diferenças entre modelos são estatisticamente significativas, validando as escolhas metodológicas efetuadas.
Description
Keywords
Electricity Price Forecasting Machine Learning Deregulated Markets Forecasting Models Data Analysis