Comparison of different models for forecasting of Czech electricity market
Comparison of different models for forecasting of Czech electricity market
diplomová práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/91314Identifikátory
SIS: 179354
Kolekce
- Kvalifikační práce [17115]
Autor
Vedoucí práce
Oponent práce
Kopečná, Vědunka
Fakulta / součást
Fakulta sociálních věd
Obor
Ekonomie a finance
Katedra / ústav / klinika
Institut ekonomických studií
Datum obhajoby
14. 9. 2017
Nakladatel
Univerzita Karlova, Fakulta sociálních vědJazyk
Angličtina
Známka
Výborně
Klíčová slova (česky)
předpověď cen elektřiny, srovnání modelů, neuronové sítě, SVR, kernel ridge regression, lasso, náhodný les, Diebold--MarianoKlíčová slova (anglicky)
electricity price forecasting, model comparison, neural networks, support vector regression, kernel ridge regression, lasso, random forest, Diebold--MarianoMnoho rozdílných přístupů jako jsou umělé neuronové sítě nebo SVR bývá použito v literatuře. Tato práce poskytuje srovnání několika rozdílných metod v jednotných podmínkách za použití dat z Českého trhu s elektřinou. Výsledné srovnání více jak 5000 modelů vedlo k vybrání několika nejlepších modelů. Tato práce také vyhodnocuje roli historických meteorologických dat (teplota, rosný bod a vlhkost) - bylo zjištěno, že třebaže použití meteorologických může vést k přeučení, za vhodných podmínek může také vést k přesnějším modelům. Nejlepší testovaný přístup představovala Lasso regrese. 1
There is a demand for decision support tools that can model the electricity markets and allows to forecast the hourly electricity price. Many different ap- proach such as artificial neural network or support vector regression are used in the literature. This thesis provides comparison of several different estima- tors under one settings using available data from Czech electricity market. The resulting comparison of over 5000 different estimators led to a selection of several best performing models. The role of historical weather data (temper- ature, dew point and humidity) is also assesed within the comparison and it was found that while the inclusion of weather data might lead to overfitting, it is beneficial under the right circumstances. The best performing approach was the Lasso regression estimated using modified Lars. 1