Previsioni dei Prezzi nel Mercato di Bilanciamento Irlandese

I mercati elettrici a breve termine stanno diventando sempre più importanti man mano che le fonti di energia rinnovabile diventano più variabili e imprevedibili. Tra questi mercati, il Mercato di Bilanciamento è il più dinamico e vicino al tempo reale. Tuttavia, non ci sono molte ricerche disponibili sui prezzi in questo mercato, e gli studi esistenti sono inconsistenti e superati. In questo contesto, utilizziamo varie tecniche per prevedere i prezzi dell'elettricità nel mercato di bilanciamento irlandese.

#Importanza della Previsione dei Prezzi

Previsioni di prezzo accurate sono fondamentali per chiunque sia coinvolto nel mercato elettrico, compresi produttori, consumatori e trader. Questa importanza aumenta per i sistemi a risposta rapida come lo stoccaggio di batteria, che reagiscono ai cambiamenti nell'offerta e nella domanda. Con l'aumento delle fonti di energia rinnovabile, gli errori di previsione possono portare a perdite finanziarie e sfide operative per i partecipanti al mercato.

#Il Mercato di Bilanciamento Spiegato

Il mercato di bilanciamento è dove l'elettricità viene scambiata all'ultimo momento per corrispondere all'offerta e alla domanda. Questo mercato presenta fluttuazioni di prezzo maggiori rispetto ad altri mercati. È vitale per le regioni senza significativi stoccaggi energetici, poiché garantisce che la produzione e il consumo di elettricità siano sincronizzati in tempo reale.

Il focus tradizionale è stato sul mercato del giorno successivo, dove i prezzi sono fissati un giorno prima e i dati sono ampiamente disponibili per l'analisi. Le ragioni del minore interesse per il mercato di bilanciamento includono la variabilità delle sue regole e la difficoltà nella raccolta di dataset pertinenti.

#Tendenze Recenti nella Previsione dei Prezzi

Con i progressi nella tecnologia e nella disponibilità dei dati, i metodi di deep learning stanno diventando più popolari nella previsione dei prezzi nei mercati elettrici. Tuttavia, ci sono poche ricerche su come questi modelli si comportano nel mercato di bilanciamento. La maggior parte dell'attenzione è stata rivolta al mercato del giorno successivo. Pertanto, il nostro obiettivo è sviluppare un benchmark usando modelli che hanno funzionato bene nel mercato del giorno successivo e vedere come si comportano nel mercato di bilanciamento.

#Obiettivi dello Studio

Il nostro studio ha diversi obiettivi chiave:

1. Creare un framework per addestrare e valutare modelli per il mercato di bilanciamento che possa essere replicato da altri.
2. Benchmarkare le performance di diversi modelli statistici e di machine learning quando applicati al mercato di bilanciamento.
3. Confrontare i risultati del mercato di bilanciamento con quelli del mercato del giorno successivo per fornire intuizioni sulla previsione di movimenti di prezzo volatili.

Ci occupiamo anche delle sfide affrontate dai Modelli di Deep Learning in questo ambiente di mercato più imprevedibile e di come variare la dimensione dei dati di addestramento influisca sulla precisione delle previsioni.

#Struttura del Mercato

I mercati elettrici in Europa non sono uniformi, ma si sono sempre più convergenti, principalmente a causa dell'aumento dell'uso delle energie rinnovabili. In questa sezione, descriviamo la struttura del mercato elettrico unico irlandese, che serve sia l'Irlanda che l'Irlanda del Nord.

#Componenti Chiave del Mercato

1. Mercato del Giorno Successivo (DAM): Questo mercato opera attraverso un'asta unica tenuta quotidianamente, permettendo ai partecipanti di fissare i prezzi dell'elettricità per il giorno successivo.
2. Mercato Intraday (IDM): Dopo il mercato del giorno successivo, ci sono ulteriori sessioni di trading e un mercato in corso per aggiustamenti.
3. Mercato di Bilanciamento (BM): Questo mercato fissa i prezzi dell'elettricità in base ai bisogni immediati di offerta e domanda. I prezzi vengono calcolati su un breve periodo di media e sono cruciali per mantenere la stabilità del sistema.

#Funzionalità del Mercato di Bilanciamento

L'obiettivo principale del mercato di bilanciamento è permettere all'operatore di sistema di abbinare offerta e domanda in tempo reale. I partecipanti a questo mercato presentano offerte per compensare eventuali deviazioni dalle loro stime iniziali, garantendo stabilità nel sistema.

#Fonti di Dati e Preparazione

Abbiamo raccolto dati da diverse fonti pubbliche, compresi dati storici sui prezzi e previsioni dal 2019 al 2022. Il nostro obiettivo è prevedere i prezzi per i prossimi periodi di regolamento, il che richiede sia dati passati che prospettive future.

#Tipi di Dati Utilizzati

• Dati Storici: Questo include i prezzi e i volumi del mercato di bilanciamento passati, la differenza tra l'energia eolica prevista e quella reale, e i prezzi precedenti del mercato del giorno successivo.
• Dati Futuri: Questo include previsioni per domanda, offerta e produzione di energia rinnovabile per le prossime ore.

L'obiettivo è utilizzare questi dati per creare un modello completo che possa prevedere con precisione i prezzi futuri nel mercato di bilanciamento.

#Panoramica dei Modelli

Abbiamo utilizzato diversi modelli consolidati per prevedere i prezzi dell'elettricità, inclusi approcci statistici e di machine learning. Questa sezione fornisce una breve descrizione di ciascun modello utilizzato nell'analisi.

#Modello Naive

Questo modello base utilizza i prezzi delle ore precedenti come predittore per i prezzi delle prossime ore. Serve come baseline semplice per il confronto con modelli più complessi.

#Modello di Regressione Auto-Descrittiva Stimato con LASSO (LEAR)

LEAR è un modello statistico avanzato che utilizza la regolarizzazione LASSO per migliorare la precisione delle previsioni. Integra dati storici sui prezzi per fornire previsioni affidabili.

#Random Forest (RF)

Questo modello combina più alberi decisionali per generare previsioni. È efficace nel gestire dataset complessi e tende a produrre risultati accurati.

#Regressione a Vettori di Supporto (SVR)

SVR mappa i dati in uno spazio a dimensione superiore per applicare tecniche di regressione lineare per le previsioni. È efficace per dati complessi e ad alta dimensione.

#Extreme Gradient Boosting (XGB)

Simile a Random Forest, XGB combina più alberi ma li apprende in modo sequenziale. Questo porta spesso a una maggiore accuratezza nelle previsioni.

#Modelli di Deep Learning

1. Rete Neurale Profonda a Testa Singola (SH-DNN): Un modello semplice composto da più strati connessi densamente progettato per la previsione dei prezzi.
2. Rete Neurale Ricorrente a Teste Multiple (MH-RNN): Un'architettura più complessa che combina dati storici e futuri, particolarmente adatta per catturare modelli nel tempo.

#Configurazione Sperimentale

La nostra analisi coinvolge tre passaggi principali: ottimizzazione degli iperparametri, addestramento del modello e previsione su dati non visti. Riaddestriamo il modello ogni 8 ore per incorporare le ultime informazioni disponibili.

#Ottimizzazione degli Iperparametri

Abbiamo regolato le impostazioni per ciascun modello per migliorare le performance in base ai dataset di validazione. Questo assicura che i modelli siano ottimizzati per fornire i migliori risultati possibili.

#Metriche per la Valutazione

Per valutare l'accuratezza dei modelli, abbiamo utilizzato varie metriche di performance. Queste includono:

• Errore Assoluto Medio (MAE): Misura gli errori assoluti medi nelle previsioni.
• Errore Quadratico Medio (RMSE): Fornisce una misura di quanto i valori previsti siano vicini ai valori reali.
• Errore Percentuale Assoluto Simmetrico Medio (sMAPE): È particolarmente utile nella determinazione dei prezzi dell'elettricità grazie alla sua capacità di gestire prezzi vicino a zero.

#Risultati e Discussione

Presentiamo le performance dei vari modelli nella previsione dei prezzi del mercato di bilanciamento.

#Accuratezza delle Previsioni

LEAR è emerso come il modello con la migliore performance per il mercato di bilanciamento, specialmente quando addestrato su dataset più grandi. Ha dimostrato capacità di fornire previsioni stabili, evitando picchi significativi nonostante non catturasse sempre i movimenti estremi dei prezzi.

#Confronto delle Performance con Altri Modelli

Modelli di machine learning come Random Forest e XGB sono stati competitivi, superando i modelli di deep learning. Questi ultimi hanno faticato ad adattarsi all'alta volatilità del mercato di bilanciamento e spesso facevano previsioni eccessivamente sicure che portavano a tassi di errore più elevati.

#Impatto della Dimensione dei Dati di Addestramento

La dimensione del dataset di addestramento ha influenzato significativamente le performance del modello. Aumentare la dimensione dell'addestramento ha ridotto gli errori di previsione tra i modelli. Tuttavia, i modelli di deep learning non hanno beneficiato tanto di dataset più grandi rispetto ai modelli più semplici.

#Analisi Statistica

Abbiamo effettuato test statistici per comprendere meglio le differenze nell'accuratezza dei modelli. Questa analisi ha confermato che LEAR e i modelli a ensemble hanno costantemente superato gli altri.

#Analisi Oraria delle Previsioni

Esaminando le previsioni e i prezzi reali in diverse ore, abbiamo ottenuto informazioni su quali momenti della giornata presentassero le maggiori sfide per la previsione. In generale, i prezzi erano più volatili nel tardo pomeriggio, portando a errori di previsione più sostanziali durante questi periodi.

#Confronto con il Mercato del Giorno Successivo

Le differenze tra il mercato di bilanciamento e il mercato del giorno successivo erano chiare. Le previsioni nel mercato del giorno successivo beneficiavano di dinamiche di prezzo più stabili, mentre quelle nel mercato di bilanciamento affrontavano forti fluttuazioni che complicavano la previsione.

#Efficienza Computazionale

In termini pratici, l'efficienza computazionale dei modelli è cruciale per applicazioni in tempo reale. I modelli di deep learning richiedono tipicamente più tempo e risorse per essere addestrati rispetto ai modelli statistici e di machine learning, che eccellono sia in accuratezza che in efficienza.

#Conclusione

Lo studio fornisce un'analisi esaustiva di vari modelli per la previsione dei prezzi dell'elettricità nel mercato di bilanciamento. Sebbene i modelli di deep learning abbiano mostrato promesse in ambienti più stabili, modelli più semplici come LEAR si sono dimostrati più efficaci nel volatile mercato di bilanciamento.

Le intuizioni ottenute da questa ricerca potrebbero guidare futuri sforzi per migliorare i modelli di previsione specificamente adattati per i mercati di bilanciamento. Ulteriori esplorazioni potrebbero ampliare la nostra comprensione e portare a strategie più efficaci nella determinazione dei prezzi e nel trading elettrico.

I dati originali, i modelli e il framework di questo studio saranno resi disponibili per incoraggiare ulteriori ricerche e lo sviluppo di tecniche di previsione migliorate.