Kurzfristige Stromnachfrageschätzung mittels Komponentenabschätzungstechnik

Derzeit ist in den meisten Ländern der Stromsektor liberalisiert, und Strom wird auf deregulierten Strommärkten gehandelt. In diesen Märkten wird die Stromnachfrage am Tag vor der physischen Lieferung durch (semi-)stündliche gleichzeitige Auktionen bestimmt. Daher sind genaue Prognosen für ein effizientes und effektives Management von Energiesystemen unerlässlich. Die Stromnachfrage und die Preise weisen jedoch spezifische Merkmale auf, darunter nicht konstante Mittelwerte und Varianzen, Kalendereffekte, multiple Periodizitäten, hohe Volatilität, Sprünge usw., was das Prognoseproblem kompliziert. In dieser Arbeit vergleichen wir verschiedene Modellierungstechniken, die in der Lage sind, die spezifische Dynamik der Nachfragereihen zu erfassen. Zu diesem Zweck wird die Stromnachfrageserie in zwei Hauptkomponenten unterteilt: deterministische und stochastische. Beide Komponenten werden mithilfe verschiedener Regressions- und Zeitreihenmethoden mit parametrischen und nichtparametrischen Schätztechniken geschätzt. Insbesondere verwenden wir auf linearer Regression basierende Modelle (lokale polynomiale Regressionsmodelle basierend auf verschiedenen Typen von Kerndichtungsfunktionen; tri-kubisch, gaussisch und Epanechnikov), splinefunktionsbasierte Modelle (Glättungssplines, Regressionssplines) und traditionelle Zeitreihenmodelle (autoregressive gleitende Durchschnitte, nichtparametrische autoregressive und vektorautoregressive Modelle). Im deterministischen Teil wird besonderes Augenmerk auf die Schätzung des jährlichen Zyklus gelegt, da dies von vielen Autoren zuvor ignoriert wurde. Diese Arbeit betrachtet Stromnachfragedaten vom nordischen Strommarkt für den Zeitraum vom 1. Januar 2013 bis 31. Dezember 2016. Um die Vorhersagegenauigkeit für einen Tag im Voraus außerhalb der Stichprobe zu bewerten, werden der mittlere absolute prozentuale Fehler (MAPE), der mittlere absolute Fehler (MAE) und der Quadratwurzel des mittleren quadratischen Fehlers (RMSE) berechnet. Die Ergebnisse zeigen, dass die vorgeschlagene komponentenweise Schätzungsmethode äußerst effektiv bei der Vorhersage der Stromnachfrage ist. Darüber hinaus zeigt die vektorautoregressive Modellierung in Kombination mit splinefunktionsbasierter Regression eine überlegene Leistung im Vergleich zu den anderen Methoden.