Forecasting the distribution of day-ahead electricity prices with a focus on weather data

Abstract

This thesis proposes a quantile neural network (QNN) model for forecasting day-ahead electricity prices in the Czech Republic. We compare two distinct QNN architectures designed to capture the complex and nonlinear behavior of electricity prices. The first is an encoder-decoder architecture using a com- pressed bottleneck layer, while the second is a wide neural network architec- ture consisting of only two hidden layers. Although the results indicate that the bottleneck layer effectively filters noise, it tends to underestimate tail risk, leading to narrower prediction intervals that may miss extreme price events. Given the increasing market volatility driven by the growth of renewable en- ergy generation, this study also quantifies the value of incorporating numerical weather predictions directly into the model's feature set. The results demon- strate that meteorological data provide a statistically significant improvement in forecast accuracy. Beyond statistical metrics, the economic utility of these forecasts is validated through a quantile-based trading strategy, demonstrating how probabilistic modeling can enhance profitability in highly volatile market environments. JEL Classification C53, C45, Q47, Q41 Keywords Distributional forecasting, Neural networks, Quantile neural networks, Day-ahead...

Tato diplomová práce navrhuje využití kvantilové neuronové sítě pro před- povídání denních cen elektřiny v České republice. Porovnáváme dvě odlišné architektury kvantilové neuronové sítě navržené tak, aby zachytily komplexní a nelineární chování cen elektřiny. První z nich je architektura typu encoder- decoder využívající komprimovanou vrstvu bottleneck, zatímco druhá je široká architektura neuronové sítě skládající se pouze ze dvou skrytých vrstev. Ačko- liv výsledky naznačují, že vrstva bottleneck efektivně filtruje šum, má tendenci podceňovat rizika v extrémních koncích rozdělení, což vede k užším predikčním intervalům, které mohou špatně zachytit extrémní cenové události. Vzhledem k rostoucí volatilitě trhu způsobené rozvojem výroby z obnovitelných zdrojů energie tato studie rovněž kvantifikuje přínos použití numerických předpovědí počasí jako vstupních proměnných modelu. Výsledky prokazují, že meteoro- logická data přinášejí statisticky významné zlepšení přesnosti předpovědí. Nad rámec statistických ukazatelů je ekonomický přínos těchto předpovědí validován prostřednictvím kvantilové obchodní strategie, která demonstruje, jak může pravděpodobnostní modelování zvýšit ziskovost na vysoce volatilním trhu. Klasifikace JEL C53, C45, Q47, Q41 Klíčová slova Distribuční predikce, Neuronové sítě,...