Comparative analysis of methods for hourly electricity demand forecasting in the absence of data – a case study / Analiza porównawcza metod prognozowania godzinnego zapotrzebowania na energię elektryczną przy brakach w danych – studium przypadku

Abstract

Scope and purpose of work: This paper examines the impact of the number of gaps in data, the analytical form, and the model type selection criterion on the accuracy of interpolation and extrapolation forecasts for hourly data. Materials and methods: Forecasts were developed on the basis of predictors that are based on: classical time series forecasting models and regression time series forecasting models, hybrid time series forecasting models and hybrid regression forecasting models for uncleared series, and exponential smoothing models for cleared series of two or three types of seasonal fluctuations, with minimum estimates of errors in interpolation or extrapolation forecasts. Results: Adaptive and hybrid regression models have proved to have the most favorable predictive properties. Most hybrid time series models for systematic and non-systematic gaps and for both analytical forms are single models that generally describe fluctuations within a 24-hour cycle. Conclusions: The lowest estimators of prediction errors involving interpolation were obtained for exponential smoothing models, followed by hybrid regression models. A reverse sequence was obtained for extrapolative forecasting.

Przedmiot i cel pracy: Celem artykułu było zbadanie wpływu: liczby luk w danych, postaci analitycznej, kryterium wyboru rodzaju modelu na dokładność prognoz interpolacyjnych i ekstrapolacyjnych dla danych godzinnych. Materiały i metody: Do budowy prognoz wykorzystano predyktory oparte na: klasycznych i regresyjnych modelach szeregu czasowego, modelach hybrydowych szeregu czasowego i hybrydowych modelach regresyjnych dla szeregów nieoczyszczonych oraz modelach wyrównywania wykładniczego dla szeregów oczyszczonych z dwóch albo trzech rodzajów wahań sezonowych, charakteryzujących się minimalnymi ocenami błędów prognoz interpolacyjnych lub ekstrapolacyjnych. Wyniki: Najkorzystniejsze własności predyktywne posiadają modele adaptacyjne i hybrydowe modele regresyjne. Większość modeli hybrydowych szeregu czasowego dla luk systematycznych i niesystematycznych oraz obu postaci analitycznych, są to modele pojedyncze na ogół opisujące wahania o cyklu 24-godzinnym. Wnioski: Najniższe oceny błędów prognoz interpolacyjnych otrzymano dla modeli wyrównywania wykładniczego a następnie hybrydowych modeli regresyjnych. Natomiast dla prognoz ekstrapolacyjnych kolejność była odwrotna.