Electricity price forecasting

Abstract

[spa] Desde el proceso de desregularización en 1990, una variedad de métodos han sido desenvolupados por investigadores para determinar la predicción del precio eléctrico, con diferentes grados de éxito. No obstante, no ha habido consenso en un modelo considerado mejor que otros [4]. Dependiendo del analisis, algunos modelos performan mejor que otros. Por eso, es necesario desenvolupar más modelos estables de predicción y comparaciones entre ellos. En este artículo, se propone una comparación de métodos estadísticos—ARIMA, SARIMA and LEAR— y métodos de deep learning —CNN and LSTM NN— para predecir el precio eléctrico a corto plazo. La efectividad de los modelos proposados ha sido verificada usando datos del Mercado eléctrico Español y del Mercado eléctrico de las Islas Baleares así como con una comparación de diferentes métricas de evaluación. Los resultados muestran como el modelo proposado LSTM NN puede mejorar significativamente la estabilidad y la exactitud de la predicción. Sin embargo, posibles extensiones incluyen la incorporación de variables externas como exógenas, separando modelos por diferentes hábitos de consumo, así como haciendo un modelo híbrido combinando la predicción de los mejores dos modelos, LSTM-LEAR, LSTM-CNN, o incorporando algoritmos de descomposición de data como wavelet transformation (wt)

[eng] Since the deregulation process in the 1990s, various methods have been developed for electricity price forecasting (EPF), achieving varying degrees of success. However, no consensus has been reached on which is the best model [4]. Depending on the analysis, some models perform better than others. Therefore, it is necessary to develop more stable forecasting models and conduct comparisons between them. This paper proposes a comparison of statistical methods—ARIMA, SARIMA, and LEAR—with deep learning methods—CNN and LSTM NN—for short-term electricity price forecasting. The effectiveness of these models is verified using data from the Spanish Electricity Market and the Balearic Islands Market, as well as through a comparison of different evaluation metrics. The results demonstrate that the LSTM NN model can significantly improve forecasting accuracy and stability. Nevertheless, potential extensions may involve the integration of external features, separating models based on different consumption habits, and creating a hybrid model by combining the predictions of the two best models, such as LSTM-LEAR or LSTM-CNN. Additionally, incorporating data decomposition algorithms, such as wavelet transformation (WT), could further enhance the mode