Использование машинного обучения для прогнозирования скидки на возобновляемые источники энергии — соответствие, прогнозирование и успех? (часть II)
Автор: Танель Джун | Старший аналитик
В последнем посте я установил данные о генерации и цене TSO, данные о погоде, проанализировал их взаимосвязь и выявил корреляции и другие важные наблюдения. Я объяснил, что такое надбавка к возобновляемым источникам энергии и как она зависит от рынков и технологий.
Вооружившись этими наблюдениями о текущей динамике цен, мы приступили к использованию данных в модели искусственной нейронной сети, которая позволила нам предсказать будущее развитие премиальной скидки на возобновляемые источники энергии. Регрессия искусственной нейронной сети — это метод машинного обучения, который позволил нам установить сложную взаимосвязь между различными входами и выходами, влияющими на цену электроэнергии.
В исследовании использовалась нейронная сеть TensorFlow. TensorFlow — это программная библиотека с открытым исходным кодом, разработанная Google. В процессе я работал со стажером Матильдой Джахило из Манчестерского университета, которая интегрировала модель и выполнила сценарии.
Настройка и сценарии моделирования
Модель была создана в модульной форме — отдельные нейронные сети приспособлены для солнечной генерации, наземной ветровой генерации, оффшорной ветровой генерации, потребления и развития цен. Это позволило проверить прогноз на тестовых данных и выявить ошибки регрессии. На этапе прогнозирования цена прогнозируется, а скидка на ветер и солнечную энергию рассчитывается, как описано в предыдущем посте.
Ценовую модель можно понимать как наиболее значимый из модулей. Он был оснащен в основном недиспетчерской возобновляемой генерацией, потреблением электроэнергии и данными о ценах. Нашими основными входными данными для прогнозируемого запуска были стохастическая генерация возобновляемых источников энергии, основанная на ежемесячных случайных исторических данных о погоде, и прогнозируемое потребление на основе данных о дате, времени и праздниках. Рандомизированные данные о погоде выбираются из базы данных ERA5.
Следующие графики на рисунке 1 показывают фактическое потребление, совокупное производство возобновляемых источников энергии и спотовую цену с их подобранными моделями. Можно заметить, что подобранные модели тесно связаны с совокупным производством и потреблением возобновляемых источников энергии; ценовая модель следует фактическим данным с различиями в скачках из-за выбросов модели.
На следующем рисунке 2 показаны результаты дисконтных ставок для наземной ветроэнергетики для двух сценариев: фиксированный исторический уровень выработки и ежегодное увеличение выработки. Можно заметить, что ставка дисконтирования меняется от месяца к месяцу из-за ежемесячного изменения производства возобновляемых источников энергии и проникновения на рынок. Также можно заметить, что распределение вероятности 95%, как правило, шире для сценариев увеличения выработки, чем для исторических плоских сценариев, потому что экстремальные ценовые события станут более вероятными, когда уровни выработки возобновляемых источников энергии увеличатся, а проникновение на рынок достигнет более высокого уровня.
Заключение
Эта установка моделирования позволила нам сделать два основных прогноза: во-первых, рандомизированные средства производства и потребления возобновляемых источников энергии и распределение вероятностей, а во-вторых, модель ставок надбавок к дисконту и распределения вероятностей.
Я отмечаю, что модель в настоящее время действительна в своем ограниченном диапазоне опыта, и для повышения надежности ее следует постоянно обновлять новыми данными опыта. Хотя я уже определил шаги для его улучшения, я уверен, что это разумно для выделения предварительных выводов, изложенных выше.
Наконец, в дополнение к Матильде Яхило, которая реализовала проект, я хотел бы поблагодарить Меэлиса Мухка, Олави Миллера, Эллиину Крутову, Рене Йоост, Лаури Ульма и Ало Келдера из Eesti Energia за их руководство и возможность провести исследование. .
