Краткосрочное прогнозирование цен на электроэнергию в России на узловом уровне с применением нейронных сетей

В данном исследовании решается задача прогнозирования узловых цен на электроэнергию на рынке на сутки вперед (РСВ) на российском оптовом рынке электроэнергии (РОРЭ) путем проведения сравнительного анализа различных моделей прогнозирования. Сложная структура РВЭМ, характеризующаяся узловым ценообразованием и сложным региональным взаимодействием спроса и предложения, требует использования сложных методов прогнозирования. В данном исследовании выясняется, следует ли анализировать узловые цены РВЭМ с помощью одномерных или многомерных методов, определяется наиболее эффективный подход к прогнозированию НЭП, а также оцениваются различные модели, включая статистические, машинного обучения и методы глубокого обучения. Прогностические способности этих краткосрочных моделей NEP анализируются для рынка на сутки вперед (DAM) с использованием данных из зоны свободного потока (FFZ) "Запад". В данном исследовании используются различные модели, начиная от статистических методов, таких как SARIMA(X) и MSTL, и заканчивая методами машинного обучения, такими как древовидные ансамблевые модели градиентного усиления, а также фреймворки глубокого обучения, такие как N-BEATSx и N-HiTS. Данные из ЗФИ "Запад" составляют основу для обучения и оценки моделей, при этом особое внимание уделяется влиянию экзогенных переменных на точность прогнозирования. Наши результаты показывают, что ансамблевые модели и модели глубокого обучения превосходят другие, демонстрируя способность улавливать сложную временную и пространственную динамику рынка. Данное исследование также статистически доказывает, что современные алгоритмы прогнозирования многосерийных временных рядов и одномерных временных рядов дают схожие результаты, что дает возможность использовать многосерийную структуру для снижения сложности алгоритмов прогнозирования цен на сутки вперед. Данное исследование вносит вклад в академические знания, доказывая, что алгоритмы градиентного усиления и NBEATSx являются общедоступным эталоном для будущих исследований, и устраняет значительный пробел в локализованном прогнозировании NEP, а также помогает участникам рынка, предлагая практические идеи для стратегического планирования и повышения операционной эффективности. Необходимость в точных моделях прогнозирования крайне важна для компаний, чтобы управлять ресурсами и улучшать финансовые результаты в условиях конкуренции. Тем не менее, ограниченность исследований, посвященных российскому рынку, указывает на существенный недостаток в литературе, ограничивающий разработку и применение эффективных моделей прогнозирования на этом специфическом рынке.