A low runtime complexity methodology for Market Clearing Price forecasting for deregulated energy markets

Abstract

Οι αποκεντρωμένες αγορές ενέργειας επιτρέπουν σε διάφορους παίκτες/συμμετέχοντες να επωφεληθούν από διάφορα προϊόντα ενέργειας, είτε πουλώντας τα με σκοπό το κέρδος είτε αγοράζοντας τα σε χαμηλές τιμές για κατ’ ιδίαν χρήση. Μία αγορά ενέργειας είναι ένα πολύπλοκο σύστημα όπου πολλοί παράγοντες και συστήματα αλληλοεπιδρούν μεταξύ τους. Ως αποτέλεσμα, οι τιμές ηλεκτρικής ενέργειας όταν αντιμετωπίζονται ως χρονοσειρές περιέχουν πολύπλοκα χαρακτηριστικά όπως υψηλή μεταβλητότητα, έλλειψη σταθερότητας, εποχικές διακυμάνσεις και ακραίες τιμές της τιμής εκκαθάρισης αγοράς (MCP). Επομένως η πρόβλεψη της τιμής αγοράς σε μελλοντικούς χρόνους καθίσταται μια απαιτητική εργασία. Μια πρόβλεψη MCP για ένα δεδομένο μελλοντικό χρονικό διάστημα είναι μια χρήσιμη για τους παίκτες πράξη, καθώς μπορεί να βοηθήσει στη λήψη αποφάσεων που σχετίζονται με τη διαχείριση ενός χρηματοοικονομικού ή ενεργειακού χαρτοφυλακίου. Για τους σκοπούς της πρόβλεψης MCP, απαιτείται μια μεθοδολογία χαμηλής πολυπλοκότητας χρόνου εκτέλεσης και χαμηλής ζήτησης σε πόρους, προκειμένου να παρέχεται στον χρήστη επαρκής χρόνος για να δοκιμάσει πολλαπλά σενάρια εντός της ημέρας. Επίσης οι διάφοροι παίκτες θα πρέπει να είναι σε θέση να τρέξουν τον αλγόριθμο σε ένα σύστημα που δεν διαθέτει επιλογές επεκτασιμότητα ή απαιτήσεις για υψηλούς υπολογιστικούς πόρους. Για το λόγο αυτό η έννοια του Extreme Learning Machine (ELM) χρησιμοποιείται για την παρούσα μεταπτυχιακή εργασία. Το ELM έχει χαμηλή πολυπλοκότητα χρόνου εκτέλεσης, αλλά σε πολλές περιπτώσεις μπορεί να παρέχει μη ικανοποιητικές ικανότητες γενίκευσης, οι παραμέτροι όταν τροποποιούνται ελαφρώς παράγουν διαφορετικά βάρη μήτρας που επηρεάζουν την ακρίβεια πρόβλεψης. Προκειμένου να βελτιωθεί η ακρίβεια και η ευρωστία, το ELM τροποποιείται με την εισαγωγή μεθόδων βελτιστοποίησης όπως bootstrapping, bagging και ρύθμιση των παραμέτρων του ELM μέσω γενετικού αλγόριθμου. Η χρονοσειρά MCP που χρησιμοποιήθηκε για αυτήν την εργασία λήφθηκε από τον Διαχειριστή της Αυστραλιανής αγοράς ενέργειας (AEMO). Εξάγεται το συμπέρασμα ότι πολλαπλές κλάσεις με μέτριο αριθμό δειγμάτων που μοιράζονται παρόμοια χαρακτηριστικά, οδηγούν σε καλά εκπαιδευμένα ELM αντικείμενα, με ικανοποιητική ικανότητα γενίκευσης. Για τον λόγο αυτό πρώτα γίνεται πρόβλεψη της κλάσης που ανήκει η επιθυμητή μέρα και μόλις καθοριστεί η κλάση, η εκπαίδευση και πρόβλεψη εκτελούνται. Η αγορά της Αυστραλίας επιλέχθηκε για εκπαίδευση, επικύρωση και δοκιμή λόγω της υψηλής μεταβλητότητας των τιμών. Η ανάλυση που πραγματοποιήθηκε δείχνει ότι το ELM μπορεί να χρησιμοποιηθεί ως μεθοδολογία πρόβλεψης όταν συνοδεύεται από πρόσθετες μεθόδους, για αυξημένη ευρωστία των προβλέψεων.

Deregulated energy markets enable various actors to benefit from energy, either by selling it for profit or buying it at low prices. A market is a complex system where multiple actors and systems interact with each other. As a result, electricity prices when viewed as time series contain complex features such as high volatility, non-stationarity, non-seasonal effects, extreme values of Market Clearing Price (MCP). Therefore, this renders electricity price a demanding task. A MCP forecast for a given future time interval is a tantamount process for every actor, since it can assist decisions associated with financial or energy portfolio management. For the purpose of MCP forecasting, a methodology of low runtime complexity and low demand in resources is needed in order to provide the user sufficient time to test multiple scenarios or deploy it on a system which lacks scalability or high computational resources. For this reason the concept of Extreme Learning Machine (ELM) is utilized for this thesis. ELM has a low runtime complexity but in many cases can provide poor generalization abilities, the hyperparameters when altered slightly produce different matrix weights that significantly affect forecasting accuracy. In order to enhance accuracy and robustness ELM is modified by bootstrapping, bagging, and hyperparameters optimization via genetic algorithm. The MCP time series used for this work was taken from the Australian energy market Operator (AEMO). It is concluded that multiple clusters with moderate number of samples sharing similar features, lead to well-trained ELM learners with satisfactory generalization ability. Thus, this changes the forecast activity in forecasting clusters first and once the cluster is determined forecasting within this cluster is implemented. The Australian Market was chosen for training, validation and testing due to its high volatility of prices. The analysis conducted indicates that the ELM can be deployed as a forecasting methodology when accompanied with additional methods, for increased robustness of forecasts.