Lithuanian electricity market price forecasting model based on univariate time series analysis

LTElektros energijos kainos pokyčiai gali daryti įtaką energijai imlių pramonės šakų išlaidoms, paveikti nepriklausomų energijos tiekėjų pelną ir sukelti problemų įgyvendinat energetikos strategiją nacionaliniu mastu. Statistiniai prognozavimo metodai, paremti buvusiomis kintamojo reikšmėmis, leidžia nuspėti ateities vertes ir atitinkamai pritaikyti strategiją. Šiame straipsnyje pristatoma vienmačiu ARIMA modeliu paremta Lietuvos elektros energijos kainos prognozė. Lietuvos elektros rinka pasirinkta dėl nedidelio esamų statistinių tyrimų kiekio ir numatomų reikšmingų elektros rinkos liberalizavimo projektų yrime buvo naudojama istorinė elektros energijos kaina iš "Nord Pool" elektros rinkos operatoriaus duomenų bazės. "Nord Pool" yra Šiaurės Europos šalių elektros rinkos operatorius. Jo paslaugomis naudojasi Lietuva ir dar 14 Europos šalių, kiekvieną dieną vykdydamos prekybą elektros energija. Siekiant sudaryti ilgalaikę elektros kainos prognozę, tyrime buvo analizuojama vidutinė mėnesinė elektros energijos kaina nuo 2012 m. liepos iki 2019 m. gruodžio mėn. Prieš sudarant ARIMA modelį duomenys buvo apdoroti statistiniais testais. Siekta įsitikinti, kad laiko eilutė yra stacionari, nėra autokoreliacijos ir struktūrinių trūkių. Nustačius, kad duomenys tinkami tolimesnei analizei, laiko eilutė buvo padalyta į modelio apmokymo ir testavimo duomenų rinkinius. Apmokymo duomenų rinkinys naudotas sukurti įvairių parametrų ARIMA modelius, o testavimo duomenų rinkinys padėjo nustatyti skirtingų modelių prognozavimo tikslumą. Modelių prognozės buvo lyginamos tarpusavyje naudojant standartinius statistinius palyginimo kriterijus ir taip nustatant tiksliausią modelį. Galiausiai, nustatytas modelis buvo apmokomas naudojant visą duomenų rinkinį ir sudaryta 2020 m. elektros energijos kainos prognozė.Sukurtas AR(1) modelis turėjo mažiausią prognozavimo paklaidą, o SARIMA (1,1,1) modelis geriausiai atkartojo laiko eilutės sezoniškumą. Sujungus abu šiuos modelius į koeficientu pasvertą SARIMA (1,1,1) modelį, gaunama prognozė turi mažą paklaidą ir sezoniškumą. Galutinė prognozė rodo, kad vidutinė mėnesinė elektros energijos kaina 2020 m. pradžioje sumažės, vėliau reikšmingai padidės antroje metų pusėje ir vėl sumažės metų gale. Sudaryta prognozė padeda elektros rinkos dalyviams planuoti gamybos ir remonto laikotarpius siekiant maksimizuoti pelną ir minimizuoti nuostolius. Raktažodžiai: elektros kaina, prognozavimas, vienmatės laiko eilutės, ARIMA. [Iš leidinio]

ENElectricity price changes can significantly affect expenses in en­ergy intensive industries, adjust profits or losses for electricity re­tailers and cause problems for country’s national energy strategy implementation. Forecasting models based on statistical methods and previous variable values help to predict future values and adjust strategy according to the forecast. This paper concentrates on the Lithuanian electricity market and presents the widely used ARIMA forecasting models based on the univariate time series analysis. The Lithuanian electricity market is selected due to a lack of statistical researches based on electricity market prices in Lithuania, as well as significant future electricity market liber­alization projects. Electricity price data for analysis are taken from the Nord Pool electricity market operator website. The Nord Pool represents the Northern Europe electricity market operator where Lithuania and other 14 European countries trade electricity on a daily basis. To provide a longterm electricity price outlook average monthly data from July 2012 to December 2019 are selected for analysis. Before building the ARIMA model data are tested with various statistical tests to guarantee that time series are stationary, there is no autocorrelation or structural breaks. Once the data validity is confirmed, the time series is divided into train and test sets. The train data set is used to create a fitting ARIMA model, while the test set is used to define forecasting accuracy. Created forecasts of models are compared between each other using common comparison statistics, and the most accurate models are defined. Finally, the selected model is trained on a full dataset and the electricity price forecast for the year 2020 is constructed.The created AR (1) model had the smallest error value com­pared to the test dataset, while the SARIMA (1,1,1) model had the best approximation statistics. By combining both models the weighted SARIMA (1,1,1) model is constructed with the fea­tures of low forecasting error and precise actual time series approximation. The final model forecast for the year 2020 shows the monthly average electricity price decrease at the beginning of the year, a significant increase at the second half of the year and a price drop at the end of the year. Forecasting results can help companies to plan their electricity production and maintenance periods to maximize income from sold energy and minimize potential losses due to planned shutdown. Keywords: electricity price, forecasting, univariate time series, ARIMA. [From the publication]