Performance of Alternative Electricity Price Forecasting Methods and the impact of Transfer Learning: Findings from Central Europe

Abstract

Η διατριβή διερευνά την απόδοση μοντέλων πρόβλεψης τιμών ηλεκτρικής ενέργειας και αξιολογεί τον αντίκτυπο της μεταφοράς μάθησης. Η μελέτη επικεντρώνεται στις αγορές ηλεκτρικής ενέργειας της Κεντρικής Ευρώπης, αναλύοντας δεδομένα από το 2019 έως το 2021. Χρησιμοποιήθηκαν επτά μοντέλα πρόβλεψης: Autoregressive with Exogenous variables (ARX), k-Nearest Neighbors (kNN), Regression Tree, Random Forest Regression (RFR), Support Vector Regression (SVR), Artificial Neural Network - Multi-Layer Perceptron (ANN-MLP), και Long Short-Term Memory (LSTM) networks, τα οποία αξιολογήθηκαν με χρήση των Μετρικών Mean Absolute Error (MAE), Root Mean Square Error (RMSE), και Symmetric Mean Absolute Percentage Error (sMAPE). Το μοντέλο ANN-MLP με clustering ξεπέρασε σταθερά τα άλλα μοντέλα σε όλες τις μετρικές. Η μελέτη εξέτασε επίσης την επίδραση σημαντικών γεωπολιτικών γεγονότων, όπως η σύγκρουση Ουκρανίας-Ρωσίας και η ενεργειακή κρίση, στην απόδοση των μοντέλων. Τα αποτελέσματα δείχνουν αυξημένα σφάλματα πρόβλεψης κατά τη διάρκεια αυτών των περιόδων. Η μεταφοράς μάθησης έδειξε ότι, ενώ η αξιοποίηση προεκπαιδευμένων μοντέλων από συναφή σύνολα δεδομένων δεν παράγει πάντα τις χαμηλότερες μετρικές σφάλματος, παρέχει ανταγωνιστικά αποτελέσματα σε συντομότερο χρονικό διάστημα, υπογραμίζοντας το δυναμικό της μεταφοράς μάθησης για τη βελτίωση της αποδοτικότητας. Τέλος συζηταμε τις επιπτώσεις αυτών των ευρημάτων και προτείνουμε μελλοντικές κατευθύνσεις έρευνας, όπως της ενσωμάτωσης επιπλέον εξωγενών μεταβλητών και της ανάπτυξης υβριδικών μοντέλων.

This thesis investigates the performance of various electricity price forecasting models and evaluates the impact of transfer learning on forecasting accuracy. The study focuses on the electricity markets of Germany, Belgium, and the Netherlands, analyzing data from 2019 to 2021. Seven forecasting models were employed: Autoregressive with Exogenous variables (ARX), k-Nearest Neighbors (kNN), Regression Tree, Random Forest Regression (RFR), Support Vector Regression (SVR), Artificial Neural Network - Multi-Layer Perceptron (ANN-MLP), and Long Short-Term Memory (LSTM) networks. These models were evaluated using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Symmetric Mean Absolute Percentage Error (sMAPE). The ANN-MLP model with clustering consistently outperformed other models across all metrics. The study also examined the impact of significant geopolitical events, such as the Ukraine-Russia conflict and the energy crisis, on model performance. Results indicate increased prediction errors during these periods, highlighting the challenge of maintaining accuracy amidst market volatility. Transfer learning experiments demonstrated that while leveraging pre-trained models from related datasets does not always produce the lowest error metrics, it provides competitive results in a shorter time frame. This finding underscores the potential of transfer learning to enhance forecasting efficiency. The thesis concludes by discussing the implications of these findings and suggesting future research directions, including the integration of additional exogenous variables, development of hybrid models, and improvement of model interpretability.