Uśrednianie probabilistycznych prognoz cen energii elektrycznej dnia następnego
[Averaging probabilistic forecasts of day-ahead electricity prices]

Tomasz Serafin
(Matematyka Stosowana, Wydział Matematyki, PWr, Wrocław)


Badania dotyczące prognozowania cen energii elektrycznej skupiają się na 
tworzeniu coraz szybszych, bardziej wydajnych i często bardziej 
skomplikowanych algorytmów prognostycznych. Jednak większość z tych metod 
wymaga estymacji parametrów modelu na podstawie próbki danych historycznych. 
Zaskakującym jest fakt, że problem znalezienia optymalnej długości tej próbki 
(okna kalibracji modelu) jest zazwyczaj pomijany przez autorów publikacji.

W pracy rozszerzamy niedawno wprowadzoną koncepcję opierającą się na 
uśrednianiu prognoz punktowych pochodzących z kombinacji krótkich oraz długich 
okien kalibracji [1,2] i przenosimy ją na prognozy probabilistyczne. 
Pokazujemy, że podobnie jak w przypadku prognozowania średniej ceny dla rynku 
dnia następnego, uśrednienie rezultatów z kilku odpowiednio dobranych okien 
kalibracji przynosi znaczącą poprawę dokładności również w przypadku prognoz 
probabilistycznych. Przedstawioną w pracy metodę testujemy na dwóch zbiorach 
danych pochodzących z amerykańskiego rynku PJM oraz skandynawskiego Nord Pool.

Literatura:
[1] K. Hubicka, G. Marcjasz, R. Weron (2019) A note on averaging day-ahead 
electricity price forecasts across calibration windows, IEEE Transactions on 
Sustainable Energy 10(1), 321-323 (https://doi.org/10.1109/TSTE.2018.2869557). 
[2] G. Marcjasz, T. Serafin, R. Weron (2018) Selection of calibration windows 
for day-ahead electricity price forecasting, Energies 11(9), 2364 
(https://doi.org/10.3390/en11092364).