Imbalance Price Forecasting in the Italian Energy Market Using Deep Neural Networks and Temporal Fusion Transformers
Dit artikel stelt een probabilistisch voorspellingskader voor met behulp van Temporal Fusion Transformers voor de volatiele Italiaanse elektriciteitsimbalanciemarkt, waarbij wordt aangetoond dat hoewel de deterministische nauwkeurigheid beperkt is, de primaire waarde van het model ligt in het vermogen om gekalibreerde risicobanden en interpreteerbare inzichten te bieden voor effectief risicobeheer.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elektriciteit is een grondstof die niet gemakkelijk in grote hoeveelheden kan worden opgeslagen, wat betekent dat de hoeveelheid die wordt opgewekt elk moment moet overeenkomen met de hoeveelheid die wordt verbruikt. In Italië, zoals in veel andere landen, wordt dit evenwicht beheerd via een complex systeem van markten. Handelaren kopen en verkopen stroom vooraf voor de volgende dag, maar de echte test komt wanneer de lichten worden aangestoken en de werkelijke vraag arriveert. Als een elektriciteitscentrale te veel of te weinig produceert in vergelijking met wat was beloofd, moet de netbeheerder ingrijpen om het verschil te herstellen, vaak tegen hoge kosten. Deze kosten staan bekend als onbalansprijzen. Omdat het elektriciteitsnet een fysiek netwerk is van draden en transformatoren, kunnen lokale knelpunten ervoor zorgen dat deze prijzen wild schommelen, soms tot extreme niveaus in enkele minuten. Het voorspellen van deze prijzen is berucht moeilijk, omdat ze worden gedreven door een chaotische mix van weer, de opbrengst van hernieuwbare energie en de fysieke limieten van de transmissielijnen. Voor iedereen die elektriciteit koopt of verkoopt, is weten of deze prijzen hoog of laag zullen zijn, en of ze positief of negatief zullen zijn, het verschil tussen winst en verlies.
Een team onderzoekers van de Roma Tre Universiteit en de Universiteit van Tabuk zette zich in om dit probleem aan te pakken met behulp van een geavanceerd type kunstmatige intelligentie genaamd een Temporal Fusion Transformer. Hun doel was niet simpelweg om een enkel getal te raden voor wat de prijs zou zijn, maar om een systeem te bouwen dat de onzekerheid die inherent is aan de Italiaanse energiemarkt kon begrijpen. Ze voedden het computermodel met een enorme hoeveelheid informatie, waaronder historische prijzen, de hoeveelheid elektriciteit die wordt verbruikt, hoeveel zonne- en windenergie beschikbaar was, en de prijzen die in de markt voor de volgende dag waren vastgesteld. Het model was ontworpen om naar deze gegevens te kijken en te voorspellen wat er de komende twaalf uur zou gebeuren, opgedeeld in intervallen van vijftien minuten. De onderzoekers waren bijzonder geïnteresseerd in de vraag of deze geavanceerde technologie eindelijk de code van de Italiaanse markt kon kraken, die bekend staat om zijn extreme volatiliteit en frequente, onvoorspelbare prijspieken.
De resultaten van hun werk onthulden een harde waarheid over de aard van het Italiaanse elektriciteitsnet. Hoewel het kunstmatige intelligentiemodel uitzonderlijk goed presteerde bij het voorspellen van de standaard prijzen voor de volgende dag, met fouten die vaak minder dan één euro per eenheid energie bedroegen, liep het tegen een muur op bij het proberen te voorspellen van de uiteindelijke onbalansprijzen. In deze volatiele momenten stabiliseerde de foutmarge van het model zich rond de zesentwintig euro per eenheid, een cijfer dat slechts marginaal beter was dan veel eenvoudigere methoden. De onderzoekers ontdekten dat het model niet betrouwbaar de exacte hoogte van prijspieken of het precieze moment waarop ze zouden optreden, kon voorspellen. Sterker nog, wanneer het model tijdens de training te hard probeerde deze extreme pieken te achtervolgen, werd het bij het testen op nieuwe gegevens juist minder nauwkeurig, een fenomeen dat bekend staat als overfitting. Het systeem leerde in essentie dat de markt te chaotisch is om met een enkel, precies getal te worden voorspeld.
Echter, de studie eindigde niet in falen; het leidde eerder tot een verschuiving in hoe de onderzoekers de waarde van een dergelijk instrument zagen. In plaats van te fungeren als een kristallen bol die een enkele, definitieve prijs geeft, bewees het model zijn waarde door te fungeren als een risicomanager. Het voorspelde succesvol de algemene richting van de markt — of prijzen hoog of laag zouden zijn, of de onbalans positief of negatief zou zijn — met een nauwkeurigheid van ongeveer tweeenzestig tot drieenzestig procent. Belangrijker nog, het model bood een reeks mogelijke uitkomsten, waarbij een betrouwbaarheidsband werd aangeboden die handelaren liet zien hoeveel risico zij namen. Het kon uren identificeren waarin de markt stabiel en veilig was om te handelen, tegenover uren waarin de onzekerheid zo hoog was dat handelen gevaarlijk was.
De onderzoekers gebruikten ook de interne mechanica van het model om te begrijpen wat de markt aanstuurde. Door te kijken naar welke stukken gegevens de computer aandacht besteedde, ontdekten ze dat het model leerde om veel van de complexe variabelen die het gevoed kreeg te negeren, en zich in plaats daarvan te concentreren op een paar belangrijke drijfveren zoals de prijs in de noordelijke zone en de tijd van het jaar. Deze transparantie veranderde de "black box" van kunstmatige intelligentie in een helder besluitvormingsinstrument. Het systeem toonde aan dat hoewel niemand de chaotische pieken van het Italiaanse net perfect kan voorspellen, handelaren nog steeds betere beslissingen kunnen nemen door de waarschijnlijkheid van verschillende uitkomsten te begrijpen. De studie concludeert dat de ware kracht van deze technologie niet ligt in het vervangen van menselijk oordeel door een perfecte voorspelling, maar in het bieden van een robuust, interpreteerbaar kader dat marktdeelnemers helpt om met meer vertrouwen door de inherente onzekerheid van het energiesysteem te navigeren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.