Energy Price Forecasting in Italy

Abstract

Σκοπός αυτής της εργασίας είναι να διερευνήσει την αποτελεσματικότητα των αλγορίθμων Μηχανικής Μάθησης στην πρόβλεψη των τιμών ηλεκτρικής ενέργειας, με ιδιαίτερη έμφαση στην Ιταλική χονδρική αγορά ηλεκτρικής ενέργειας IPEX, ένα κύριο σημείο αναφοράς στη Νότια Ευρώπη. Αξιοποιώντας τη γνώση του τομέα, συντάχθηκε ένα εκτεταμένο σύνολο δεδομένων που περιλαμβάνει 168 μεταβλητές. Η μελέτη περιλαμβάνει την εφαρμογή διαφόρων παραδοσιακών τεχνικών μηχανικής μάθησης και νευρωνικών δικτύων, χρησιμοποιώντας σημαντικές βιβλιοθήκες Python όπως το scikit-learn και το keras. Οι αγορές ηλεκτρικής ενέργειας αλλάζουν συνεχώς, γεγονός που καθιστά αναγκαία την αλλαγή των δεδομένων εκπαίδευσης των αλγορίθμων μας. Βάσει των πειραμάτων μας, διαπιστώσαμε ότι το ιδανικό διάστημα εκπαίδευσης θα πρέπει να περιλαμβάνει μόνο τις τελευταίες 15 ημέρες ενώ οι προβλέψεις θα πρέπει να γίνονται μόνο για την επόμενη ημέρα και όχι για μεγαλύτερη περίοδο λόγω αύξησης του σφάλματος. Επιπλέον, για την επικύρωση των αποτελεσμάτων, χρησιμοποιήθηκε η διαδικασία Nested Cross Validation αντί του απλού Cross Validation για την αποφυγή data leakage. Καθώς προχωρούμε από βασικές σε πιο προηγμένες μεθοδολογίες, υπάρχει μια σαφής τάση βελτίωσης της απόδοσης. Παρατηρήσαμε μια μείωση στο Μέσο Απόλυτο Ποσοστιαίο Σφάλμα (MAPE) από περίπου 20% σε 5%, μια απόδειξη της δύναμης των νευρωνικών δικτύων στην ακριβή μοντελοποίηση της σχέσης μεταξύ των παραγόντων που επηρεάζουν τις τιμές και των προβλεπόμενων τιμών. Επιπλέον, διεξήχθη μια ανάλυση ευαισθησίας για να αξιολογηθεί η επιρροή της εξειδικευμένης γνώσης του τομέα στα αποτελέσματα, η οποία επισήμανε τον ζωτικό ρόλο που διαδραματίζει κάθε χαρακτηριστικό στην ενίσχυση της αποτελεσματικότητας των αλγορίθμων.