Prognozowanie cen energii elektrycznej na rynku dnia następnego metodami data mining

• Autorzy: Fijorek, K. , Mróz, K. , Niedziela, K. , Fijorek, D.

Warianty tytułu

EN

Forecasting hourly electricity prices in polish day-ahead market: data mining approach

• Języki publikacji: PL

Abstrakty

PL

Celem artykułu jest zbadanie potencjału wybranych, współcześnie zaproponowanych metod data mining w kontekście prognozowania cen energii elektrycznej na rynku dnia następnego. Szczególny nacisk został położony na zbadanie algorytmu lasów losowych. Prognozy uzyskane metodą lasów losowych porównano z prognozami wygenerowanymi przez model regresji liniowej, model regresji medianowej oraz regresyjną metodę wektorów nośnych.

EN

The aim of the paper is to study capabilities of selected, recently introduced supervised data mining algorithms in context of day-ahead electricity prices forecasting. Special stress was put on studying random forests. The quality of random forests forecasts was compared to forecasts obtained from multiple regression, median regression and support vector regression.

Słowa kluczowe

PL

prognozowanie cen energii elektrycznej; rynek dnia następnego; las losowy

EN

electric energy prices forecasting; day-ahead market; random forests

• Czasopismo: Rynek Energii
• Rocznik: 2010
• Tom: nr 6
• Strony: 46-50
• Opis fizyczny: Bibliogr. 11 poz., rys., tab.

Twórcy

autor

Fijorek, K.

autor

Mróz, K.

autor

Niedziela, K.

autor

Fijorek, D.

• Katedra Statystyki, Wydział Zarządzania Uniwersytetu Ekonomicznego w Krakowie,

Bibliografia

• [1] Breiman L.: Random forests. Machine learning 45, Springer, 2001.
• [2] Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009.
• [3] Hubert M., Rousseeuw P.J., Vanden Branden K.: ROBPCA: a new approach to robust principal components analysis. Technometrics 47, 2005.
• [4] Jolliffe I.T.: Principal component analysis. Springer, 2002.
• [5] Kamińska-Chuchmała A., Wilczyński A.: Zastosowanie metod symulacyjnych do przestrzennego prognozowania obciążeń elektrycznych. Rynek Energii 2008, nr 1.
• [6] Koenker R., Hallock K.F.: Quantile regression. Journal of Economic Perspectives, 2001.
• [7] Koronacki J., Ćwik J.: Statystyczne systemy uczące się. WNT, 2005.
• [8] Smola A.J., Schölkopf B.: A tutorial on support vector regression. Statistics and Computing, Springer, 2004.
• [9] Weron R., Misiorek A.: Forecasting spot electricity prices: A comparison of parametric and semiparametric time series models. International Journal of Forecasting, Elsevier, 2008.
• [10] http://www.tge.pl/
• [11] http://data.nssl.noaa.gov