Autorzy publikacji pokazali, że ich model, nazwany NBEATSx, jest dokładniejszy od najlepszych obecnie używanych w branży elektroenergetycznej metod prognozowania cen na rynku dnia następnego.

Autorami artykułu są prof. Rafał Weron i jego doktorant Grzegorz Marcjasz z Katedry Badań Operacyjnych i Inteligencji Biznesowej Politechniki Wrocławskiej oraz naukowcy ze School of Computer Science w Carnegie Mellon University w USA.

Jak tłumaczy w rozmowie z PAP prof. Weron, badania naukowe w tym obszarze mają duże znaczenie praktyczne. Zgodnie z szacunkami cytowanych przez niego badaczy, dla średniej wielkości zakładu energetycznego o rocznym zapotrzebowaniu szczytowym wynoszącym 5 GW, poprawa prognoz cen dla następnej doby o 1 proc. może prowadzić do rocznych oszczędności rzędu 1,5 mln dolarów.

"Dawniej przedsiębiorstwa energetyczne wykorzystywały krótkoterminowe prognozy zapotrzebowania do zapewnienia bezpieczeństwa dostaw energii, a długoterminowe – do planowania nowych inwestycji. Jednak obecnie finansowe koszty błędów prowadzących do późniejszej odsprzedaży lub dokupienia energii na rynku bilansującym są tak wysokie, że mogą prowadzić do bankructwa. W konsekwencji prognozowanie cen i zapotrzebowania na energię elektryczną stało się centralnym procesem w zarządzaniu niemal każdą większą firmą, nie tylko energetyczną" - uzasadnia profesor.

CENY POTRAFIĄ SZALEĆ

"O ile prognozowanie zapotrzebowania na energię elektryczną jest relatywnie proste, to prognozowanie cen z taką samą dokładnością - już nie. Szczególnie dla bardzo krótkich horyzontów czasowych, nieprzekraczających 48 godzin, ceny potrafią wariować. Bardzo wczesnym rankiem, gdy zapotrzebowanie jest niskie mogą być ujemne, by po południu wystrzelić w kosmos” - mówi prof. Weron.

Tłumaczy, że do prognozowania cen energii potrzebne są coraz bardziej złożone modele, pozwalające lepiej reprezentować zależności między zmiennymi. Muszą one uwzględniać rosnącą ilość napływających danych – w tym z ciągle rozbudowywanych odnawialnych źródeł energii (OZE).

„Wiedza ekspercka przestała wystarczać do wyboru danych wejściowych, a uwaga naukowców i praktyków skierowała się na techniki uczenia maszynowego” - przyznaje badacz.

KIEDY MODEL PRZERASTA LUDZKI UMYSŁ

Profesor wyjaśnia, że metody uczenia maszynowego pozwalają na zwiększenie ilości danych wejściowych, a jednocześnie sprawiają, że naukowcy i praktycy w coraz mniejszym stopniu muszą angażować się nie tylko w proces przetwarzania danych, ale nawet w samą budowę modelu.

„Takie podejście prowadzi do dokładniejszych prognoz, ale ma też wady. Człowiek przestaje panować nad modelem, przestaje rozumieć jak działa. Dlatego w ostatnich latach naukowcy zaczęli pracować nad takimi modelami, które – mimo swojego skomplikowania – umożliwiają interpretację wyników” – mówi prof. Weron.

Nową architekturę głębokiej sieci neuronowej zaproponowali w 2019 roku Oreshkin, Carpov, Chapados i Bengio. Nazwali ją Neural Basis Expansion Analysis for Time Series (NBEATS). Ma ona zdolność do dekompozycji szeregu czasowego, a tym samym pozwala na interpretację tego jak działają poszczególne fragmenty sieci.

Prof. Weron podkreśla zalety NBEATS i świetne wyniki, jakie metoda uzyskała dla danych z konkursu prognostycznego M4. Mimo tego w jego ocenie architektura NBEATS nie nadaje się do prognozowania cen energii elektrycznej.

Pomysł zespołu prof. Werona i współpracowników polega na dodaniu do struktury NBEATS dodatkowych bloków, które wykonują projekcję na tzw. zmienne zewnętrzne, czyli np. prognozy zapotrzebowania na energię elektryczną czy wielkości generacji OZE. Taki zabieg pozwala modelować efekty wywołane przez te dwa kluczowe czynniki. Tak powstała architektura NBEATSx, gdzie „x” oznacza zmienne zewnętrzne (ang. exogenous).

Autorzy pokazali, że dla cen energii elektrycznej ich architektura jest o prawie 20 proc. dokładniejsza od NBEATS i metody ESRNN, która wygrała konkurs M4 oraz do 5 proc. od najlepszych metod prognozowania cen.

Nauka w Polsce, Karolina Duszczyk

kol/ zan/