Przykład NIEUDANEJ predykcji cen energii na RDN TGE i dlaczego tak się stało!

Przykład NIEUDANEJ predykcji cen energii na RDN TGE i dlaczego tak się stało!
Predykcja cen ważna jest dla spółek obrotu. Ważna też jest do wyznaczania optymalnej strategii ładowania/rozładowania dużych magazynów energii. Trenowaliśmy do tego zadania w ostatnich miesiącach różne modele neuronowe. Dziś daję jeden z przykładów. Specjalnie dzielę się przykładem, czego nie robić i jak tego nie robić. Internet pełny jest propagandy sukcesu. 
 
Jeśli ktoś Wam mówi, że wykona sieć neuronową, zrobi AI, machine learning czy użyje dowolnego z modnych słów, nie wpadajcie w zachwyt! Może Wam dać to AI naprawdę złe wyniki! ;) Zachowajcie spokój i rozmawiajcie o szczegółach!

Przyjrzyjmy się temu przykładowi w szczegółach. Morał na koniec ;)
 
Na obrazku widać realną rynkową cenę energii z lipca 2023 (niebieska krzywa) oraz retrospektywnie wykonaną predykcję tych cen jako test jednej z sieci neuronowych trenowanych przez nas w styczniu 2024 (pomarańczowa krzywa). Tzn. jako test własnego algorytmu "udawaliśmy", że nie wiemy, jakie były ceny ponad pół roku temu i poprosiliśmy nasz model neuronowy, żeby na bazie prognoz pogody, danych z PSE o zapotrzebowaniu energii w sieci i na podstawie kilku innych argumentów wejściowych z lipca 2023 spróbował te ceny określić. Pomylił się ogromnie! I w dodatku wiedzieliśmy, że tak będzie. Nie miał ten algorytm szansy się nie pomylić. 
 
Ta sieć przyjmuje bowiem na wejściach dane techniczne o działaniu sieci elektroenergetycznej na każdą godzinę, dane o zapotrzebowaniu kraju, pogodzie. Dokładnie ten sam model dał nam znakomitą zgodność za styczeń 2024 (ponad 80% predykcji z błędem +-7zł/MWh i ponad 92% z błędem nie większym niż +-20 zł/MWh). Ale nie ma wśród swoich wejść np. czynników makroekonomicznych (cen węgla na świecie, gazu na giełdach, cen uprawnień do emisji CO2 itp.). Czynniki te ogromnie wpływają na koszty produkcji energii w jednostkach konwencjonalnych i zarazem przekładają się na cenę prądu na TGE. 
 
Panaceum? Dodajmy do treningu sieci właśnie te czynniki. Lub dokonujmy retreningu sieci co kilka dni, by podążała za aktualnym trendem i brała pod uwagę zdyskontowany przez rynek wpływ wielu nieuwzględnionych explicite parametrów. Rozwiązań jest wiele. Ale ilekroć ktoś mówi o neuronowym modelu, pytajcie go: 

• na jakich danych był trenowany, 
• za jaki okres, 
• czy sprawdził, czy to optymalny okres treningu, 
• czy model cyklicznie jest retrenowany i jeśli tak, to jak często, 
• czy miał wykonane testy choćby takiej retrospektywnej predykcji, 
• pytajcie o histogram błędu. 

 
W najbliższym czasie napiszę też o tych bardziej udanych przykładach predykcji. Nie wszystkie są przecież złe. Na dziś starczy. Zapraszam do wcześniejszych moich artykułów.