| Form of studies |
Professional Bachelor |
| Title of the study programm |
Financial Engineering |
| Title in original language |
Elektroenerģijas cenas prognozēšana |
| Title in English |
Electricity Price Forecasting |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Dmitrijs Bļizņuks |
| Reviewer |
Ginters Bušs |
| Abstract |
Mūsdienu mainīgajā elektroenerģijas tirgū precīza tirgus cenu prognozēšana ir
kļuvusi svarīga, īpaši Latvijas elektroenerģijas tirgus dinamiskajā vidē. Nākamās
dienas cenām raksturīgā nenoteiktība, kas nav zināma līdz pat piedāvājumu
iesniegšanai, ir izaicinājums enerģijas ražotājiem. Šāda līmeņa neparedzamība rada
nepieciešamību pēc prognozēšanas modeļiem ne tikai spekulatīviem nolūkiem, bet arī
kā svarīgiem stratēģiskās plānošanas un riska pārvaldības instrumentiem. Lai izstrādātu
efektīvas piegādes stratēģijas un mazinātu finansiālos riskus, elektroenerģijas
ražotājiem ir prasmīgi jāorientējas šajās nenoteiktībās.
Darbā tiek izstrādāti dažādi prognozēšanas modeļi, tostarp “Random Forest”,
“ARIMA”, “Extremely Randomized Tress” un “LSTM”, lai noteiktu, kurš modelis ir
visprecīzākais nākamās dienas 24 stundu elektrības cenu prognozēšanā. Prognozējamai
laikrindai tiek arī piesaistīti gan eksogēnie, gan statistiskie paskaidrojošie mainīgie ar mērķi uzlabot prognožu kvalitāti.
Darba rezultāti liecina, ka statistiskie mainīgie (piemēram, novēlotās vērtības)
ievērojami uzlabo prognozēšanas modeļu veiktspēju, nodrošinot precīzākas un
uzticamākas cenu prognozes. Turpretī tādu eksogēnu mainīgo kā saules un vēja
ģenerācijas datu iekļaušana nodrošināja minimālus uzlabojumus.
Šī darba rezultāti ne tikai sniedz ieguldījumu akadēmiskajā jomā, uzlabojot
izpratni par prognozēšanas modelēšanu enerģijas tirgos, bet arī piedāvā praktisku
ietekmi uz tirgus dalībniekiem Latvijas elektroenerģijas nozarē. Izmantojot progresīvas
statistikas metodes un ņemot vērā vietējo enerģijas dinamiku, tirgus dalībnieki var
labāk paredzēt tirgus izmaiņas un pieņemt pamatotus lēmumus.
Bakalaura darbs sastāv no 83 lappusēm, 30 attēliem un 18 tabulām, tiek
izmantoti 43 informācijas avoti un pievienoti 2 pielikumi. |
| Keywords |
PROGNOZĒŠANA, NĀKAMĀS DIENAS TIRGUS, ELEKTRĪBAS CENA, MAŠĪNMĀCĪŠANĀS |
| Keywords in English |
FORECASTING, DAY-AHEAD MARKET, ELECTRICITY PRICE, MACHINE LEARNING |
| Language |
lv |
| Year |
2024 |
| Date and time of uploading |
30.05.2024 00:38:30 |
