Prediksjon av strømpriser ved bruk av nevrale nettverk

Abstract

I denne bacheloroppgaven har vi gjennomført prediksjoner av strømpriser ved bruk av nevrale nettverk. Vi har ved bruk av programmeringsspråket Python kodet ulike nevrale nettverk til å kunne predikere strømpriser. Nevrale nettverk er ofte illustrert ved bruk av en menneskehjerne, hvor nervetråder er representert som noder. Ved å tilpasse nettverkene til datasettet fikk vi predikert en time med fremtidige strømpriser.

Vårt datasett består av femten år med timebaserte historiske observasjoner. Strømpriser er satt som avhengig variabel, da det er denne vi ønsket å predikere. Videre valgte vi ut de uavhengige variablene som kunne antas å ha størst innvirkning på strømprisene. De variablene vi valgte var de mest relevante råvareprisene, målinger for værdata og en variabel for risiko i markedet.

I oppgaven har det blitt brukt tre ulike typer nevrale nettverk: • “Feedforward neural network” (ANN) • “Recurrent neural network” (RNN) • “Long-short term memory” (LSTM) Forskjellen på nettverkene er at ANN ikke kan predikere fremtidig sekvensielle data, slik som er mulig for RNN og LSTM. Disse klarer å ta vare på predikerte data og benytte de til videre prediksjon. Vi benyttet likevel ANN i oppgaven for å sammenligne treffsikkerheten mellom nettverkene. I tillegg lagde vi to ulike versjoner av LSTM, for å teste om flere lag og noder kan være med å øke treffsikkerheten.

De ulike nevrale nettverkene fikk alle prediksjoner med en gjennomsnittlig feilmargin på mellom 3,9 og 6,2 øre/kWh, avhengig av hvilken type nettverk som ble brukt. Videre forklarte de uavhengige variablene over 90 prosent av variansen til strømprisene i alle de ulike nevrale nettverkene. Det nettverket som ga de beste resultatene for prediksjon av fremtidige strømpriser var LSTM-nettverket med hele 96 prosent forklart varians og en gjennomsnittlig feilmargin på 4,4 øre/kWh. Nettverkene følger et reaktivt handlingsmønster, noe som gir svekkede muligheter for prediksjoner av ukjente fremtidige strømpriser. Oppgaven vil gå mer i dybden om de nevrale nettverkene og implikasjonene som følger av resultatene.

In this bachelor thesis, we have carried out predictions of electricity prices using neural networks. Using the programming language Python, we have coded various neural networks to be able to predict electricity prices. Neural networks are often illustrated using a human brain, where nerve fibers are represented as nodes. By adapting the networks to the dataset, we predicted an hour of future electricity prices.

Our dataset consists of fifteen years of hourly historical observations. Electricity prices are set as a dependent variable, as this is what we wanted to predict. Furthermore, we selected the independent variables that could be assumed to have the greatest impact on electricity prices. The variables we chose were the most relevant commodity prices, measurements for weather data and a variable for risk in the market.

Three different types of neural networks have been used in the thesis: • “Feedforward neural network” (ANN) • “Recurrent neural network” (RNN) • “Long-short term memory” (LSTM) The difference between the networks is that ANN cannot predict future sequential data, as is possible for RNN and LSTM. These are able to take care of predicted data and use it for further prediction. We still used ANN in the task to compare the accuracy between the networks. In addition, we created two different versions of LSTM, to test whether more layers and nodes can help increase accuracy.

The various neural networks all received predictions with an average margin of error between 3.9 and 6.2 øre/kWh, depending on the type of network used. Furthermore, the independent variables explained over 90 percent of the variance in electricity prices in all the various neural networks. The network that gave the best results for predicting future electricity prices was the LSTM network with as much as 96 percent explained variance and an average margin of error of 4.4 øre/kWh. The networks follow a reactive pattern of action, which provides weakened opportunities for predictions of unknown future electricity prices. The thesis will go more in depth about the neural networks and the implications that follow from the results.