The impact of the size of the training set on the predictive abilities of neural models on the example of the Day-Ahead Market System of TGE S.A.

• Autorzy: Ruciński Dariusz

Identyfikatory

DOI

10.34739/si.2022.26.01

• Języki publikacji: EN

Abstrakty

EN

The main object of the research was to examine the acceptable time horizon that could be predicted by previously learned models of the Day-Ahead Market (DAM) TGE S.A. system. The article contains the results of research on the predicting ability of different ANN models of the DAM TGE S.A. The research was conducted based on data covering the operation of the Polish stock exchange in the period from 2002 to 2019 (the first half of the year). The research was carried out based on the learned ANN models of the DAM system. Data were taken for examination covering the time from 2002 to 2019 (1st half of the year) and was divided into a different period, i.e., a month, a quarter, and a half-year., year, etc. The MSE, MAE, MAPE, and R2 were adopted as the criteria for assessing the ability of individual models to predict electricity prices. The research was carried out by successively expanding forecasting periods in a rolling manner. For example, for a half-year, prediction time intervals were increased from one week to month, two months, quarter, half-year, etc. results for a model representing a given period. A lot of interesting research results were obtained.

Słowa kluczowe

EN

Day Ahead Market; MATLAB environment; Simulink environment; neural modeling; prediction time; electricity prices

• Wydawca: Wydawnictwo Uniwersytetu Przyrodniczo-Humanistycznego w Siedlcach
• Czasopismo: Studia Informatica : systems and information technology
• Rocznik: 2022
• Tom: Vol. 1(26)
• Strony: 5--22
• Opis fizyczny: Bibliogr. 31 poz.., rys., tab., wykr.

Twórcy

autor

Ruciński Dariusz

• PhD Student at Institute of Computer Science, Siedlce University of Natural Sciences and Humanities, Faculty of Exact and Natural Sciences, Institute of Computer Science, ul. 3 Maja 54, 08-110 Siedlce, Poland

• https://orcid.org/0000-0001-5458-9170

Bibliografia

• 1. Beale M. H. [at all], Neural Network Toolbox™ User's Guide. by The MathWorks. Inc.1992-2019.
• 2. Faliński M., Wstęp do sztucznej inteligencji. WN PWN. Warszawa 2020, pages 332.
• 3. Hagan M.T. and Menhaj M., Training feedforward networks with the Marquardtalgorithm. IEEE Transactions on Neural Networks. Vol. 5. No. 6/1999. pp. 989–993.
• 4. Jankowski N., Ontogeniczne sieci neuronowe. O sieciach zmieniających swoją strukturę. AOW EXIT. Warszawa 2003, pages 312.
• 5. Kłopotek M., Tchórzewski J., The Concept of Discoveriesin Evolving Neural Net.Advances in Soft Computing. Vol. 17. Wydawnictwo IPI PAN. Warszawa 2002, pp. 165-174.
• 6. Kosiński R. A., Sztuczne sieci neuronowe. Dynamika nieliniowa i chaos. WNT.Warszawa 2002, pages 195.
• 7. Korbicz J., Obuchowicz A., Uciński D., Sztuczne sieci neuronowe. Podstawy i zastosowania. Problemy Współczesnej Nauki. Teoria i zastosowania. Informatyka. AOW PLJ. Warsza*wa 1994, pages 251.
• 8. Mańdziuk J.: Sieci neuronowe typu Hoppfielda. Teoria i przykłady zastosowań. AOW EXIT. Warszawa 2000, pages 262.
• 9. Marecki J., Metody sztucznej inteligencji. WSIiZ. Bielsko-Biała 2001, pages 115.
• 10. Marquardt D., An Algorithm for Least-Squares Estimation of Nonlinear Parameters. SIAM Journal on Applied Mathematics, Vol. 11. No. 2/1963, pp. 431-441.
• 11. Obuchowicz A., Patan K., Sieć neuronów dynamicznych jako generator residuów. Optymalizacja architektury. Materiały III Konferencji nt. "Diagnostyka procesów przemysłowych", Gdańsk-Jurata 1998, pp. 101-106.
• 12. Osowski S., Sieci neuronowe do przetwarzania informacji, OW PW, Warszawa 2013. pages 422.
• 13. Patterson J., Gibson A., Deep Learning. Praktyczne wprowadzenie, Helion, Warszawa 217, pages 451.
• 14. Ruciński D., Data Quotation Period and the Quality of ANN Learning in the Polish Power Exchange Model. [in: et al.] Uncertainty and Imprecision in Decision Making and Decision Support: New Advances, Challenges, and Perspectives. IWIFSGN BOS/SOR 2020 2020. Lecture Notes in Networks and Systems, Vol 338. Springer, Cham. https://doi.org/10.1007/978-3-030-95929-6_24 [Access: 2022].
• 15. Ruciński D., The Influence of the Artificial Neural Network Type on the Quality of Learning on the Day-Ahead Market Model at Polish Electricity Exchange Join-Stock Company, Studia Informatica. System and Information Technology, Vol. 1-2(23)2022, pp. 77-93.
• 16. Ruciński D. Tchórzewski J., Neural modeling of the electric power stock market in the usage of MATLAB and Simulink tools for the day ahead market data. Journal of Information System in Management. Vol. 5 (2) 2016 pp. 215-226.
• 17. Ruciński D., Neural-evolutionary Modeling of Polish Electricity Power Exchange. Electrical Power Networks. EPNet. Katedra Energoelektryki PWr., Institute of Power Engineering and Control Systems of Lviv Polytechnic National University. Ukraine and O/Wrocławski SEP. XPlore Digital Library, Szklarska Poręba 2016 r., pp. 1-6.
• 18. Ruciński D.. Kłopotek M.. Tchórzewski J., Self-Organizing Wireless Ad-hock Sensor Networks. Studia Informatica. Systems and Information Technology. Volume: 1(5)2005, pp. 69-80.
• 19. Rutkowska D., Piliński M., Rutkowski L., Sieci neuronowe. algorytmy genetyczne i systemy rozmyte, WN PWN, Warszawa - Łódź 1997, pages 411.
• 20. Rutkowski L., Metody i techniki sztucznej inteligencji, WN PWN, Warszawa 2020, pages 435.
• 21. Tadeusiewicz R., Korbicz J., Rutkowski L., Duch W., Sieci neuronowe w inżynierii biomedycznej. Seria: Inżynieria biomedyczna. Podstawy i zastosowania, tom 9. AOW EXIT. Warszawa 2021, pages 746.
• 22. Tadeusiewicz R., Biocybernetyka. Metodologiczne podstawy dla inżynierii biomedycznej, WN PWN, Warszawa 2013, pages 232.
• 23. Tchórzewski J., Metody sztucznej inteligencji i informatyki kwantowej w ujęciu teorii sterowania i systemów, WN UPH, Siedlce 2021, pages 343.
• 24. Tchórzewski J., Neural networks for processing knowledge about the electric Energy market, Poznan University of Technology Academic Journals. Electrical Engineering, Vol. 53/2007, pp. 51-63.
• 25. Tchórzewski J., Roman P., Żurawski T., Modelowanie neuronalne rozwoju systemu elektroenergetycznego na bazie danych testowych IEEE RTS. Wiadomości Elektrotechniczne. Wydawnictwo SIGMA NOT. Tom R. 82. Nr 2/2014. pp. 17-23.
• 26. Tchórzewski J., Wielgo A., Neural model of human gait and its implementation in MATLAB and Simulink Environment using Deep Learning Toolbox. Studia Informatica. Systems and Information Technology. Vol. 1-2(25)2021, pp. 39-66.
• 27. Tchórzewski J., Ruciński D., Evolutionary-Supported and Quantum-Inspired Neural Modeling Applied to the Polish Electric Power Exchange. 2019 Progress in Applied Electrical Engineering (PAEE), IEEE Digital Library, pp. 1-8. 2019.
• 28. Tchórzewski J., Ruciński D., Domański P., Artificial neural network inspired by quantum computing solutions using the movement model of the PR-02 robot, ITM Web of Conferences 19. 01007 (2018). https://doi.org/10.1051/itmconf/ 20181901007. pp. 1-2 2018 [Access: 2021].
• 29. Tchórzewski J., Kłopotek M., A case study in neural network evolution. Prace Instytutu Podstaw Informatyki Polskiej Akademii Nauk, No 943/2001. pp. 1-12.
• 30. Żurada J., Barski M., Jędruch W., Sztuczne sieci neuronowe. Podstawy teorii i zastosowania, WN PWN, Warszawa 1996, pages 375.
• 31. www.tge.pl, strona internetowa Towarowej Giełdy Energii S.A. [dostęp: lata 2017-2022].