Chuyển đến nội dung
Tất cả tài liệu trong thư viện

Mô hình kết hợp để dự báo giá điện giao ngay

Bài viết arXiv papers · Tác giả: Tahir Miriyev et al.
Đọc tài liệu gốc

Tóm tắt

Tài liệu phác thảo một nghiên cứu về các cách tiếp cận kết hợp để dự báo giá điện giao ngay trên thị trường EPEC. Các thành phần mô hình gồm dự báo đơn giản (naive), phân tích Fourier, mô hình ARMA và GARCH, quá trình khuếch tán có bước nhảy hồi quy về trung bình và mạng nơ-ron hồi quy. Tài liệu xác định đây là các thành phần của cách tiếp cận mô hình hóa kết hợp nhưng không giải thích cách kết hợp chúng hay so sánh các dự báo ra sao.

Nghiên cứu dùng giá điện từ 2013–2014 để huấn luyện và dành 2015 làm giai đoạn kiểm tra dự báo. Việc chia tách thời gian này tạo cơ sở được nêu rõ để đánh giá dự báo trên một năm sau đó. Tuy nhiên, tài liệu không báo cáo thước đo độ chính xác, kết quả so sánh, đặc điểm thị trường hay chi tiết thiết lập mô hình. Vì vậy, người đọc không thể xác định phương pháp nào hoạt động tốt nhất hay kết quả có khái quát được ngoài thị trường và giai đoạn này hay không.

Ý chính

  • Nghiên cứu xem xét các phương pháp kết hợp để dự báo giá điện giao ngay trên thị trường EPEC.
  • Các thành phần mô hình được liệt kê gồm phân tích Fourier, ARMA, GARCH, quá trình khuếch tán có bước nhảy hồi quy về trung bình và mạng nơ-ron hồi quy.
  • Dữ liệu giá điện từ 2013–2014 được dùng làm giai đoạn huấn luyện.
  • Năm 2015 được dành để đánh giá dự báo.
  • Tài liệu không cung cấp kết quả hiệu suất hay chi tiết về cách kết hợp mô hình.

Thẻ

Hàng hóaThống kêHọc máyHồi quy về trung bìnhBiến động
Toàn văn
# Hybrid Modelling Approaches for Forecasting Energy Spot Prices in EPEC market


# Hybrid Modelling Approaches for Forecasting Energy Spot Prices in EPEC market









In this work we considered several hybrid modelling approaches for forecasting energy spot prices in EPEC market. Hybridization is performed through combining a Naive model, Fourier analysis, ARMA and GARCH models, a mean-reversion and jump-diffusion model, and Recurrent Neural Networks (RNN). Training data was given in terms of electricity prices for 2013-2014 years, and test data as a year of 2015.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.