Hybrid Long Short-Term Memory (LSTM) and Exponentially Weighted Moving Average (EWMA) Model for Accurate and Scalable Electricity Price Forecasting
Notice bibliographique
Résumé
Accurate electricity price forecasting is critical for market participants seeking to optimize bids and manage risk in increasingly volatile energy markets. This paper proposes a hybrid machine learning framework that integrates Long ShortTerm Memory (LSTM) networks with Exponentially Weighted Moving Average (EWMA) volatility smoothing. The framework optimizes bid strategy formulation for Battery Energy Storage System (BESS) operators in electricity markets, thereby enhancing market participation efficiency. The model was trained and validated on historical Austrian market data including wholesale electricity price, frequency containment reserve price, electrical load, gas price, radiation, temperature, and wind speed. This approach directly supports more informed decision-making for local traders and operators. Model training was accomplished through 64,500 iterations over 6.1 hours, utilizing a variable learning rate and MATLAB’s Deep Learning Toolbox to accelerate convergence. The computational process was executed on a dedicated Intel Core i9-14900HX/NVIDIA RTX 4060 platform, demonstrating that the approach is both scalable and suitable for real-time deployment scenarios with intra-day retraining requirements. The hybrid model achieves a root mean square error (RMSE) of 1.2207 €/MWhe, outperforming several established benchmarks while providing year-forward price forecasts with hourly resolution.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».