Szezonális előrejelzési bizonytalanság a villamosenergia-piacon = Seasonally varying prediction uncertainty in the electricity market

Mák, Fruzsina (2023) Szezonális előrejelzési bizonytalanság a villamosenergia-piacon = Seasonally varying prediction uncertainty in the electricity market. STATISZTIKAI SZEMLE, 101 (5). pp. 403-439. ISSN 0039-0690

Preview

Text 2023_05_403.pdf Download (665kB) | Preview

Abstract

A tanulmányban a hazai villamosenergia-rendszer terhelésének előrejelzési bizonytalanságát vizsgálom, Gauss-keverékregresszió (Gaussian Mixture Regression) felhasználásával. A rendszerterhelés heteroszkedasztikus viselkedésének leírása a Gauss-keverékmodellre (Gaussian Mixture Model) épülően kézenfekvő, azonban az energiaszektort érintő szakirodalomban elsősorban a nemlineáris (és interakciós) kapcsolatok modellezésére történő alkalmazása szerepel. Ez többek között azzal magyarázható, hogy a villamosenergia-fogyasztás bizonytalanságának explicit modellezése iránti igény az elmúlt években jelent meg igazán markánsan. A tanulmányban bemutatom, hogy a Gausskeverékregresszió mennyire jól megragadja a villamosenergia-rendszer terhelésének előrejelzési bizonytalanságát, ami a várható értékhez hasonlóan szintén erős szezonális viselkedést mutat. A számítások implementálása a nyílt forráskódú Python programnyelvben történt. = In this paper the forecast uncertainty of the Hungarian electricity system load is investigated using Gaussian Mixture Regression. The description of the heteroskedastic behaviour of electricity load based on the Gaussian Mixture Model is very straightforward, but in the literature its application to the modelling of nonlinear (and interaction) relationships is first and foremost considered. This can be explained, among other things, by the fact that the need for explicit modelling of uncertainty in electricity load has become really pronounced in recent years. It is shown that Gaussian Mixture Regression captures well the prediction uncertainty of electricity load, which also exhibits strong seasonal behaviour similar to the variation of it. The calculations are implemented in the open source Python programming language.

Actions (login required)

Edit Item