Day-Ahead Electricity Price And Spike Forecasting Using Machine Learning Techniques
Notice bibliographique
Résumé
Various machine learning-based methods and techniques are developed for forecasting day-ahead electricity prices and spikes in deregulated electricity markets. The wholesale electricity market in the Province of Ontario, Canada, which is one of the most volatile electricity markets in the world, is utilized as the case market to test and apply the methods developed. Factors affecting electricity prices and spikes are identified by using literature review, correlation tests, and data mining techniques. Forecasted prices can be utilized by market participants in deregulated electricity markets, including generators, consumers, and market operators. A novel methodology is developed to forecast day-ahead electricity prices and spikes. Prices are predicted by a neural network called the base model first and the forecasted prices are classified into the normal and spike prices using a threshold calculated from the previous year’s prices. The base model is trained using information from similar days and similar price days for a selected number of training days. The spike prices are re-forecasted by another neural network. Three spike forecasting neural networks are created to test the impact of input features. The overall forecasting is obtained by combining the results from the base model and a spike forecaster. Extensive numerical experiments are carried out using data from the Ontario electricity market, showing significant improvements in the forecasting accuracy in terms of various error measures. The performance of the methodology developed is further enhanced by improving the base model and one of the spike forecasters. The base model is improved by using multi-set canonical correlation analysis (MCCA), a popular technique used in data fusion, to select the optimal numbers of training days, similar days, and similar price days and by numerical experiments to determine the optimal number of neurons in the hidden layer. The spike forecaster is enhanced by having additional inputs including the predicted supply cushion, mined from information publicly available from the Ontario electricity market’s day-ahead System Status Report. The enhanced models are employed to conduct numerical experiments using data from the Ontario electricity market, which demonstrate significant improvements for forecasting accuracy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».