Ключові слова
ринок «на добу наперед»
ціна електроенергії
нейронні мережі
глибоке навчання
мікромережі
Як цитувати
Анотація
Представлено порівняльний аналіз моделей короткострокового прогнозування цін на ринку «на добу наперед» на основі штучних нейронних мереж глибокого навчання. Дослідження виконано в умовах функціонування єдиної торгової зони ОЕС України, синхронізованої з ENTSO-E, де внутрішньодобова динаміка ціни формується під впливом високої волатильності попиту, змінної структури генерації, дії регуляторних обмежень та наслідків атак на енергетичну інфраструктуру. Такі властивості призводять до виникнення нелінійних і локальних закономірностей у часовому ряді цін, що ускладнює застосування традиційних статистичних методів прогнозування. У роботі проведено дослідження п’яти архітектур глибинного навчання – LSTM, GRU, Transformer, MLP та CNN – спрямоване на оцінювання їх ефективності при моделюванні відносної ціни, нормованої за граничною ціною в кожній годині. Результати показують, що точність прогнозу суттєво залежить від здатності моделі виділяти локальні особливості та коректно реагувати на стохастичні зміни ринку. Найнижчий рівень похибки забезпечує згорткова нейронна мережа, що свідчить про її придатність для задач оперативного планування та економічної диспетчеризації мікромереж, де точність прогнозування цін визначає ефективність прийняття рішень. Бібл. 19, рис. 2, табл. 2.
Посилання
1.Kyrylenko O., Denysiuk S., Blinov I. Digital transformation of the energy industry: current trends and task. Pratsi Instytutu Elektrodynamiky NAN Ukrainy. 2022. V. 65. Pp. 5-14. (Ukr) DOI: https://doi.org/10.15407/publishing2022.65.005
2.F. Jan, H. Iftikhar, M. Tahir, and M. Khan, Forecasting day-ahead electric power prices with functional data analysis, Frontiers in Energy Research, vol. 13, Mar. 2025. DOI: https://doi.org/10.3389/fenrg.2025.1477248.
3.F. Lisi and M. M. Pelagatti, Component estimation for electricity market data: Deterministic or stochastic? Energy Economics, Vol. 74, Pp. 13–37, Aug. 2018. DOI: https://doi.org/10.1016/j.eneco.2018.05.027
4.F. Jan, I. Shah, and S. Ali, Short-Term Electricity Prices Forecasting Using Functional Time Series Analysis, Energies, Vol. 15, No. 9, P. 3423, May 2022. DOI: https://doi.org/10.3390/en15093423
5.H. Iftikhar, J. E. Turpo-Chaparro, Paulo Canas Rodrigues, and Javier Linkolk López-Gonzales, Forecasting Day-Ahead Electricity Prices for the Italian Electricity Market Using a New Decomposition–Combination Technique, Energies, Vol. 16, No. 18, Pp. 6669–6669, Sep. 2023. DOI: https://doi.org/10.3390/en16186669
6.I. Shah, H. Iftikhar, and S. Ali, Modeling and Forecasting Electricity Demand and Prices: A Comparison of Alternative Approaches, Journal of Mathematics, Vol. 2022, Pp. 1–14, Jul. 2022. DOI: https://doi.org/10.1155/2022/3581037
7.I. Shah, H. Bibi, S. Ali, L. Wang, and Z. Yue, Forecasting One-Day-Ahead Electricity Prices for Italian Electricity Market Using Parametric and Nonparametric Approaches, IEEE Access, Vol. 8, Pp. 123104–123113, 2020. DOI: https://doi.org/10.1109/access.2020.3007189
8.R. Beigaite, T. Krilavičius, and Ka Lok Man, “Electricity Price Forecasting for Nord Pool Data,” International Conference on Platform Technology and Service, Jan. 2018, DOI: https://doi.org/10.1109/platcon.2018.8472762
9.J. P. S. Catalão, H. M. I. Pousinho, and V. M. F. Mendes, Short-term electricity prices forecasting in a competitive market by a hybrid intelligent approach, Energy Conversion and Management, Vol. 52, No. 2, Pp. 1061–1065, Feb. 2011. DOI: https://doi.org/10.1016/j.enconman.2010.08.035
10.Blinov I.V., Korkhmazov G.S. Using artificial neural networks to solve the problem of short-term forecasting of wholesale market prices for electric energy. Pratsi Instytutu Elektrodynamiky NAN Ukrainy. 2009. P. 15–22.
11.Blinov I.V., Korkhmazov G.S., Popovych V.I., Zozulya A.M. Short-term forecasting of wholesale prices for electric energy using radial-basis artificial neural networks. Pratsi Instytutu Elektrodynamiky NAN Ukrainy. 2009. Issue 24. Pp. 23–31.
12.Blinov I.V., Parus Ye.V., Shymaniuk P.V., Vorushylo A.O. Optimization model of microgrid functioning with solar power plant and energy storage system. Tekhnichna Elektrodynamika. 2024. (5): 69–78. DOI: https://doi.org/10.15407/techned2024.05.069
13.Kyrylenko O., Denysiuk S., Blinov I. Energy management: new priorities of the 21st century. Power engineering: economics, technique, ecology. 2024. (1): 7–27. https://doi.org/10.20535/1813-5420.1.2024.297508
14.Blinov I.V. Development of distributed energy in Ukraine using microgrid technologies (according to the materials of scientifi c report at the meeting of the Presidium of NAS of Ukraine, March 5, 2025). Visnyk Nac. Akad. Nauk Ukr. 2025. (5): 35–44. DOI: https://doi.org/10.15407/visn2025.05.035
15.Trading results on the DAM | Energy Map, Energy Map, 2019. https://energy-map.info/uk/datasets/5a616fba-fbc9-4073-9532-9161592faca8#sample (accessed Dec. 08, 2025).
16.S. Hochreiter and J. Schmidhuber, Long Short-Term Memory, Neural Computation, Vol. 9, No. 8, Pp. 1735–1780, Nov. 1997. DOI: https://doi.org/10.1162/neco.1997.9.8.1735
17.K. Cho et al., Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation, Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 2014. DOI: https://doi.org/10.3115/v1/d14-1179
18.A. Vaswani et al., Attention is all you need, I. Guyon, U. Von Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, and R. Garnett, Eds., Curran Associates, Inc., 2017. Available: https://proceedings.neurips.cc/paper_files/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf
I. Koprinska, D. Wu, and Z. Wang, Convolutional Neural Networks for Energy Time Series Forecasting, IEEE Xplore, Jul. 01, 2018. DOI: https://doi.org/10.1109/IJCNN.2018.8489399
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Авторське право (c) 2025 В.О. Мірошник, В.В. Сичова