OCENA ZASTOSOWANIA MODELI STOCHASTYCZNYCH ARMA/ARIMA, GARCH, COCHRANE-ORCUTT W PROGNOZOWANIU CEN ENERGII ELEKTRYCZNEJ Z TOWAROWEJ GIEŁDY ENERGI W POLSCE – ANALIZA EMPIRYCZNA

• Authors: Kubik Michał
• Languages of publication: PL

Abstracts

PL

Precyzyjna prognoza cen energii elektrycznej jest niezbędna do podejmowania optymalnych decyzji przez uczestników rynku elektroenergetycznego w krótkim i długim okresie m.in. producentów i odbiorców energii elektrycznej, inwestorów lub instytucje finansujące. W praktyce jest wykorzystywana m.in.: w negocjacjach między wytwórcą a odbiorcą energii, w opracowywaniu biznes planów, jak również w krótkoterminowych decyzjach inwestycyjnych. Celem pracy było zbadanie, które modele stochastyczne spośród modeli ARMA/ARIMA, GARCH, Cochrane-Orcutt (uproszczona metoda najmniejszych kwadratów „UMNK”) można zastosować do prognozowania cen energii elektrycznej. W ramach pracy wyestymowano siedem modeli posiadających najniższe kryteria informacyjne, gdzie zmienną objaśnianą była cena energii w danym dniu, a zmienną objaśniającą wolumen. Dane pochodziły z Towarowej Giełdy Energii. W celu znalezienia modelu najbardziej dopasowanego do danych, usunięto wartości skrajne w modelach numer 2-5,7 oraz opóźniono zmienną pierwszych różnic wolumenu o jeden okres w modelach 3 i 5. Błędy MAPE poniżej 10% występują w Modelu 2, 3 i 7. Model 1 - ARMA (3,2) - MAPE 10,558 - MAPE ex post 25,02 Model 2 - ARMA (5,2) - MAPE 8,3634 - MAPE ex post 17,08 Model 3 - ARMA (3,1) - MAPE 9,4814 - MAPE ex post 18,31 Model 4 - GARCH (2,1) - MAPE 10,433 - MAPE ex post 18,91 Model 5 - GARCH (2,1) - MAPE 10,445 - MAPE ex post 18,91 Model 6 – UMNK - MAPE 12,079 - MAPE ex post 37,27 Model 7 – UMNK - MAPE 8,2194 - MAPE ex post 25,36 W celu sprawdzenia czy opracowane modele generują dobrej jakości prognozy cen energii elektrycznej, dołączono dane przyszłe o cenach energii. Najniższe błędy MAPE ex post występują w Modelach 2-5 i zawierają się w przedziale 17% - 19%. Zbudowane modele numer 2 i 3 mimo, że są dość dobrze dopasowane do danych historycznych, to prognozy cen energii elektrycznej zbudowane na ich podstawie różniły od wartości rzeczywistych o ok. 17% - 19% dla analizowanych szeregów czasowych.

EN

The accurate forecasts of electricity prices are indispensable for making optimal decisions by electricity market participants in short and long term perspective e.g. producers and consumers of electricity, investors or financing institutions.. In practice, the forecasts are applied e.g. in negotiations between the producers and the consumers of energy, in the business plans, as well as in short-term investment decisions. The aim of the study is to investigate which stochastic models among ARMA / ARIMA, GARCH, Cochrane-Orcutt, could be applied in forecasting electricity prices. In this work, seven models were estimated with the lowest information criteria, where the dependent variable was the price of energy on a given day, and the explanatory variable was the volume. The input data were from the Polish Power Exchange. In order to select the best model in terms of information criteria, the extreme values of price were removed (models 2-5,7). Additionally the first volume differences were delayed by one period in models 3 and 5. MAPE errors below 10% occur in model 2, 3 and 7. Model 1 - ARMA (3,2) - MAPE 10,558 - MAPE ex post 25,02 Model 2 - ARMA (5,2) - MAPE 8,3634 - MAPE ex post 17,08 Model 3 - ARMA (3,1) - MAPE 9,4814 - MAPE ex post 18,31 Model 4 - GARCH (2,1) - MAPE 10,433 - MAPE ex post 18,91 Model 5 - GARCH (2,1) - MAPE 10,445 - MAPE ex post 18,91 Model 6 – COCHRANE-ORCUTT - MAPE 12,079 - MAPE ex post 37,27 Model 7 – COCHRANE-ORCUTT - MAPE 8,2194 - MAPE ex post 25,36 In order to determine whether the models generate good-quality forecasts of electricity prices, future data on energy prices were added. The lowest MAPE ex post errors occur in Models 2-5 and are in the range of 17% - 19%. The models 2 and 3, although they are aligned to historical data, then electricity price forecasts built on their basis differed from real values by around 17% - 19% for the analyzed time series.

• Publisher: Wyższa Szkoła Finansów i Zarządzania w Białymstoku
• Journal: Przedsiębiorstwo & Finanse
• Year: 2019
• Issue: 1
• Pages: 5-20

Dates

published

2019-03-31

Contributors

author

Kubik Michał

• Uniwersytet Warszawski

References

• Aggarwal S.K., Saini L.M., Kumar S. Electricity price forecasting in deregulated markets: A review and evaluation, 2009.
• Amjady, Daraeepour. Mixed price and load forecasting of electricity markets by a new iterative prediction method, Electric Power Systems Research 79 (9)/2009:1329-1336. [9]
• Azadeh A., Ghaderi S.F., Nokhanda B.P. Improved one day-ahead price forecasting using combined time series and artificial neural network models for the electricity market. Industrial and Systems Engineering, Vol. 9, No. 3/2011.
• Bajpai, P, Singh SN. Bidding and gaming in electricity market: an overview and key issues. Chennai; 2004 s. 338–346.
• Bastian, J., Zhu, J., Banunarayanan, V., Mukerji, R. Forecasting Energy Prices in a Competitive Market, 1999
• Conejo A., Contreras J., Espinola R., Plazas M. Forecasting electricity prices for a day-ahead pool-based electric energy market. International Journal of Forecasting, vol. 21, issue 3/2005, 435-462.
• Crespo Cuaresma J, Hlouskova J, Kossmeier S,, Obersteiner M. Forecasting electricity spot-prices using linear univariate time-series models. Applied Energy 77 (1)/2004: 87-106.
• Ejdys J., Halicka K. Prognozowanie cen energii elektrycznej na giełdzie energii. Organizacja i zarządzanie z. 77/2015, s. 53-61.
• Garcia R.C., Contreras J., van Akkeren M., Garcia J.B.C. A GARCH forecasting model to predict day-ahead electricity prices, “IEEE Transactions on Power Systems”, Vol. 20(2)/(2005).
• Góra A., Strzała K. Prognozowanie ceny energii na TGE SA - analiza empiryczna Zarządzanie i Finanse R. 11, nr 3, cz. 2 - 2013 s- 17-32
• Piłatowska M. Wybór rzędu autoregresji w zależności od parametrów modelu generującego, „Ekonometria”, nr 4 (38)/2012.
• Singh, N., Mohanty, S.R. A Review of Price Forecasting Problem and Techniques in Deregulated Electricity Markets. Journal of Power and Energy Engineering 3/2015, 1-19.
• Ustawa prawo energetyczne Dz.U. 1997 nr 54 poz. 348
• Wang, Z., Lo, K.L. Game Theory Application and Strategic Bidding in Electricity Supply Market. World Journal of Engineering and Technology, 4/2016, 72-81.