Intelligent Probabilistic Forecasts of Day-Ahead Electricity Prices in a Highly Volatile Power Market
Notice bibliographique
Résumé
Electricity price forecasting plays an important role in decision making on bidding strategies of selling and buying electricity. This paper computes one day-ahead (DA) quantile forecasts of electricity prices in a highly volatile market by applying regression models to a pool of point forecasts. Three data-driven forecasting methods are implemented to generate DA point forecasts of the Ontario market’s electricity prices. In order to generate the three sets of point forecasts, we use: i) the triple exponential smoothing (TES) method, ii) a neural network (NN) that combines layers of Convolutional neurons and gradient recurrent units (GRU), iii) an extreme gradient boosted (XGB) non-linear regression approach. Performance of the three models compared against a benchmark which considers the forecast of electricity prices as the average price of the same hour and day during the last four weeks. The TES method decreases the mean absolute error (MAE) of the benchmark model from 10.29 to 9.42. The Convolutional GRU (ConvGRU) model and XGB regression also reduce the MAE to 8.20 and 7.06, respectively. Finally, quantile regression averaging (QRA) is applied to the pool of point forecasts obtained by TES, ConvGRU, and XGB methods to compute DA quantile forecasts of electricity prices. Moreover, the QRA method is further developed in this work by employing gradient boosting non-linear regression (GBR). Our analysis using real data reveals that the GBR method provides more reliable quantiles as well as tighter prediction intervals with smaller forecasting errors than QRA.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».