master's thesis
Jaka Konda (Avtor), Zoran Bosnić (Mentor), Robert Legenstein (Komentor)

Povzetek

In this work, we tackle the problem of building a predictive model for the electricity market. In it, market players compete for the best prices to increase their profits and now with transition to renewable energy sources, the market has become more volatile and dependant on different environmental factors. In our experiments we use different statistical and machine learning methods in a combination with data sources from European energy platform and European meteorological institute to obtain weather information. We fuse three different data sources together into four different datasets. We follow the machine learning pipeline where we select features, model hyper-parameters and test the models on the test set. Contrary to our expectations, additional weather information had a negative impact on the error and the variance of the models. Some improvements in the prediction accuracy were noted only when we included additional datasets with most important selected features being the lagged values of the target variable and also past and forecasted energy load. Our best method is obtained using late level fusion by combining all trained regressors together into an ensemble. It achieves an sMAPE error of 13.084, compared to our second best, neural network, with an error of 14.932 and baseline with the value of 22.963.

Ključne besede

machine learning;time-series forecasting;incremental learning;data fusion;data streaming;electricity price prediction;computer science;computer and information science;master's degree;

Podatki

Jezik: Angleški jezik
Leto izida:
Tipologija: 2.09 - Magistrsko delo
Organizacija: UL FRI - Fakulteta za računalništvo in informatiko
Založnik: [J. Konda]
UDK: 004.85(043.2)
COBISS: 1538499779 Povezava se bo odprla v novem oknu
Št. ogledov: 711
Št. prenosov: 203
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Slovenski jezik
Sekundarni naslov: Zlivanje podatkovnih tokov pri napovedovanju cene električne energije
Sekundarni povzetek: V delu se lotimo problema napovedovanja cen električne energije, kjer na trgu udeleženci tekmujejo za čim večji profit. V zadnjem obdobju s prehodom na obnovljive vire energije je trg postal bolj nepredvidljiv in odvisen od okoljskih dejavnikov. V naših eksperimentih uporabimo različne statistične modele in modele strojnega učenja v kombinaciji s podatkovno zbirko Evropske mreže operaterjev električnega omrežja in Evropskega meteorološkega inštituta. Vse zbirke združimo v štiri različne podatkovne množice in sledimo cevovodu strojnega učenja. Najprej izberemo atribute, nato hiper-parametre modelov in nazadnje ovrednotimo modele na testni množici. V nasprotju s pričakovanji, dodatne vremenske informacije niso pripomogle k izboljšanju uspeha modelov ter so imele celo negativen vpliv na napovedno uspešnost. Rezultati smo uspeli izboljšati, ko smo uvedli dodatne atribute iz Evropske mreže operaterjev, kjer so se za najpomembnejše izkazale zakasnjene vrednosti ciljne spremenljivke in pretekle ter napovedane porabe električne energije. Najboljši rezultat smo dosegli z metodo ansamblov z uporabo poznega zlivanja. Ansambel doseže napako sMAPE 13,084, drugi najboljši model, nevronska mreža, 14,392, referenčni model pa napako 22,963.
Sekundarne ključne besede: strojno učenje;napovedovanje časovnih vrst;inkrementalno učenje;zlivanje podatkov;podatkovni tokovi;napovedovanje cene električne energije;računalništvo;računalništvo in informatika;magisteriji;
Vrsta dela (COBISS): Magistrsko delo/naloga
Študijski program: 1000471
Konec prepovedi (OpenAIRE): 1970-01-01
Komentar na gradivo: Univ. v Ljubljani, Fak. za računalništvo in informatiko
Strani: V, 67 str.
ID: 11344508