A SHORT-TERM ELECTRICITY PRICE FORECASTING ON THE RUSSIAN MAR-KET USING THE SCARX MODELS CLASS

 
PIIS042473880003318-8-1
DOI10.31857/S042473880003318-8
Publication type Article
Status Published
Authors
Affiliation: Financial University under the Government of the Russian Federation
Address: ,
Occupation: Professor to the Department of financial management
Affiliation: Financial University under the Government of the Russian Federation
Address: Russian Federation
Journal nameEkonomika i matematicheskie metody
EditionVolume 55 Issue 1
Pages68-84
Abstract

 

  Diebold—Mariano test (DM-test). The historical data of price and planed consumption in the Europe–Ural and Siberia price areas of the Russian electricity exchange were used for the numerical experiment, while testing period is 104 week or 728 days long. The study shows that in the Russian markets SCARX-W model exhibits more accurate forecast compare to SCARX-HP and ARX. The minimal weekly error achieved on Europe–Ural price area is 4,932%, daily error — 4,997%. The same indicators for Siberia price area are 9,144% and 10,051%, correspondingly. The same results are proved by the formal DM-test carried for each hour in trading day. In order to overcome the problem of a priori selection of smoothing parameters, it is proposed to use various methods of forecast combinations.

 

Keywords electricity price forecasting, seasonal component autoregressive, wavelet-smoothng, Hodrick—Prescott filter, Diebold—Mariano test
AcknowledgmentThe presented study was funded by the Russian Foundation for Basic Research (RFBR) within research project No. 16-06-00237 A
Received14.03.2019
Publication date21.03.2019
Number of characters37588
Cite   Download pdf To download PDF you should sign in
1

1. Введение

2 В последние 25—30 лет прогнозирование цены электроэнергии, которая формируется на оптовом рынке, стало одной из наиболее актуальных и вместе с тем достаточно сложных задач, решаемых в рамках операционной деятельности генерирующих компаний и крупных потребителей (Eydeland, Wolyniec, 2012; Weron, 2014). Причиной этому послужил глобальный мировой тренд дерегулирования сектора электроэнергетики, который в первом десятилетии XX в. затронул и Россию. Планирование деятельности энергокомпаний в рыночных условиях ценообразования существенно усложнилось, а принимаемые финансовыми службами решения привели к более существенным последствиям (Carmon, Coulon, 2014).
3 В чем сложность прогнозирования цены электроэнергии? Прежде всего в особенностях свойств этого продукта, которые приводят к существенным отличиям динамики рынка электроэнергии от других товарных рынков. Для нее характерны (Casazza, Delea, 2003; Janczura et al.,2013; Carmon, Coulon, 2014): невозможность формирования запасов, совпадение моментов производства и потребления, высокая волатильность цены, наличие выбросов в ценах, краткосрочная неэластичность спроса по цене, тенденция возврата цены к среднему значению, использование поставщиками различных технологий генерирования электроэнергии с существенно отличающимися размерами предельных издержек.
4 Учитывая актуальность обсуждаемой проблемы, неудивительно, что за последние 15—20 лет было предложено много различных математических инструментов и моделей для формирования прогноза. Одной из наиболее динамически развивающихся здесь областей является краткосрочное прогнозирование, которое ставит задачу сформировать понимание динамики цены на ближайшие 24 часа для так называемого рынка «на сутки вперед» (РСВ). Комплексный обзор последних достижений в этом направлении можно найти в работе (Weron, 2014). В ней же автор отмечает один из существенных пробелов в имеющейся на текущий момент литературе: мало внимания уделяется вопросам моделирования и прогнозирования долгосрочной тренд-сезонной компоненты в динамике цены на электроэнергию, особенно в контексте построения краткосрочного прогноза.
5 Действительно, с одной стороны, интуитивно понятно, что при работе с горизонтом в 24 часа важнее всего учитывать краткосрочную дневную и недельную сезонные компоненты, в то время как трендовой составляющей можно пренебречь, заменив ее на простое среднее за период от одного года и более в прошлом. С другой стороны — есть ли формальные или эмпирические данные для подтверждения такой рассуждений. В работе (Nowotarski, Weron, 2016) задаются этим вопросом и сравнивают предложенную ими модель SCARX (Seasonal Component AutoRegressive — авторегрессия с сезонной компонентой и экзогенными факторами) — комбинацию экстраполяции оценочной тренд-сезонной составляющей на базе модели случайного блуждания и прогноза остатка, полученного с помощью авторегрессии, — с традиционной моделью ARX. Авторы приходят к выводу, что учет долгосрочной компоненты, а также правильный выбор метода и параметров для ее оценки ведут к существенному повышению точности получаемых прогнозов. Особенностью прогнозирования цены электроэнергии на РСВ России является относительная скромность числа академических исследований на данную тематику. В то же время на рынке существует ряд компаний, которые готовы оказывать информационно-консультационных услуги по формированию прогнозов цены, но при этом ожидаемо не раскрывают детали используемых алгоритмов и моделей. Среди них можно упомянуть компанию «StatSoft Russia» (система «Energy–Forecast: Цены»)1, ООО «Форексис» (система «Energy4Cast»)2, ООО «ЭНКОСТ»3 и пр. Исключение здесь составляет прогнозирование Математического бюро4. Его информация на официальном сайте этой компании основывается на публично доступной диссертационной работе одного из ее организаторов (Чучуева, 2012). Учитывая вышесказанное, целью данного исследования является апробация и проверка оправданности применения предложенного (Nowotarski, Weron, 2016) класса моделей SCARX на российском рынке на сутки вперед. Его результаты не только расширят число общедоступных подходов к прогнозированию цены электроэнергии на рынке России, так и позволит более детально верифицировать результаты, полученные ранее упомянутыми исследователями. Для достижения указанной цели в работе решается ряд задач. Во-первых, выбираются бенчмарк-модели, с которыми будет выполняться сравнение точности прогноза SCARX («наивная» модель (Nogales et al., 2002) и экономичная ARX-спецификация (Misiorek et al., 2006)). Во-вторых, кратко рассматривается математический формализм класса моделей SCARX и методов оценки долгосрочной тренд-циклической компоненты, применяемой в рамках SCARX. В-третьих, обосновывается выбор базовых мер ошибки, с помощью которых сравнивается качество полученных прогнозов, а также предлагается использовать формальную процедуру сравнения прогностических способностей — тест (Diebold, Mariano, 1995). В-четвертых, формируются наборы данных о цене электроэнергии на РСВ и прогнозе потребления. Наконец, в-пятых, выполняется эмпирическое сравнение точности SCARX с более простыми — «наивной» и моделями ARX, а также сопоставляется аккуратность прогнозов, получаемых на базе SCARX с различными методами сглаживания временных рядов. 1. >>>>

2. >>>>

3. >>>>

4. >>>>

Price publication: 0

Number of purchasers: 2, views: 1412

Readers community rating: votes 0

1. Afanasyev D., Fedorova E. (2016). The Long-Term Trends on the Electricity Markets: Comparison of Empirical Mode and Wavelet Decompositions. Energy Economics, 56, 432—442.

2. Carmon R., Coulon M. (2014). A Survey of Commodity Markets and Structural Models for Electricity Prices. In: “Modeling, Pricing, and Hedging in Energy and Commodity Markets”. New York: Springer.

3. Casazza J., Delea F. (2003). Understanding Electric Power Systems: An Overview of the Technology and the Marketplace. Hoboken: Wiley.

4. Chuchueva I.A. (2012). The Time Series Forecasting Model with Maximum Likeness Sample. Postgraduate thesis. Moscow: BMSTU.

5. Conejo A.J., Contreras J., Espinola R., Plazas M.A. (2005). Forecasting Electricity Prices for a Day-Ahead Pool-Based Electric Energy Market. International Journal of Forecast-ing, 21, 3, 435—462.

6. De Jong C. (2006). The Nature of Power Spikes: A Regime-Switch Approach. Studies in Nonlinear Dynamics and Econometrics, 10, 3, 35—47.

7. Diebold F.X., Mariano R.S. (1995). Comparing Predictive Accuracy. Journal of Busi-ness and Economic Statistics, 13, 253—263.

8. Eydeland A., Wolyniec K. (2012). Energy and Power Risk Management. New Jersey: Wiley.

9. Fedorova E., Afanasyev D. (2015). Study of the Dynamic Price-Demand Relationship for Russian Electricity Market. Proceedings of the Russian Academy of Sciences. Power Engi-neering, 3, 3—17 (in Russian).

10. Haldrup N., Nielsen F., Nielsen M. (2010). A Vector Autoregressive Model for Elec-tricity Prices Subject to Long Memory and Regime Switching. Energy Economics, 32, 1044—1058.

11. Hodrick R., Prescott E. (1997). Postwar U.S. Business Cycles: An Empirical Investiga-tion. Journal of Money, Credit and Banking, 29, 1, 1—16.

12. Hyndman R., Athanasopoulos G. (2013). Forecasting: Principles and Practice. Available at: http://otexts.org/fpp (accessed: September 2017).

13. Janczura J., Truck S., Weron R., Wolff R. (2013). Identifying Spikes and Seasonal Components in Electricity Spot Price Data: A Guide to Robust Modeling. Energy Economics, 38, 96—110.

14. Lisi F., Nan F. (2014). Component Estimation for Electricity Prices: Procedures and Comparisons, Energy Economics, 44, 143—159.

15. Maciejowska K., Nowotarski J., Weron R. (2016). Probabilistic Forecasting of Elec-tricity Spot Prices Using Factor Quantile Regression Averaging. International Journal of Fore-casting, 32, 3, 957—965.

16. Maciejowska K., Weron R. (2016). Short- and Mid-Term Forecasting of Baseload Elec-tricity Prices in the UK: The Impact of Intra-Day Price Relationships and Market Fundamentals. IEEE Transactions on Power Systems, 31, 2, 994—1005.

17. Misiorek A., Truck S., Weron R. (2006). Point and Interval Forecasting of Spot Elec-tricity Prices: Linear vs. Non-Linear Time Series Models. Studies in Nonlinear Dynamics and Econometrics, 10, 3, 57—66.

18. Nogales F.J., Contreras J., Conejo A.J., Espinola R. (2002). Forecasting Next-Day Electricity Prices by Time Series Models. IEEE Transactions on Power Systems, 17, 342—348.

19. Nowotarski J., Raviv E., Truck S., Weron R. (2014). An Empirical Comparison of Al-ternative Schemes for Combining Electricity Spot Price Forecasts. Energy Economics, 46, 342—348.

20. Nowotarski J., Tomczyk J., Weron R. (2013). Robust Estimation and Forecasting of the Long-Term Seasonal Component of Electricity Spot Prices. Energy Economics, 39, 13—27.

21. Nowotarski J., Weron R. (2016). On the Importance of the Long-Term Seasonal Com-ponent in Day-Ahead Electricity Price Forecasting. Energy Economics, 57, 228—235.

22. Val’ P.V., Klepche N.S. (2011). Short-Term Electricity Prices Forecasting under Condi-tions of the Wholesale Electricity and Capacity Market. Available at: http://conf.sfu-kras.ru/sites/mn2011/thesis/s9/s9_30.pdf (accessed: September 2017, in Russian).

23. Weron R. (2014). Electricity Price Forecasting: A Review of the State-of-the-Art with a Look into the Future. International Journal of Forecasting, 30, 1030—1081.

24. Weron R., Zator M. (2015). A Note on Using the Hodrick—Prescott Filter in Electricity Markets. Energy Economics, 48, 1—6.

Система Orphus

Loading...
Up