Työ 2: 1) Sähkönkulutuksen ennustaminen SARIMAX-mallin avulla 2) Sähkön hankinnan optimointi



Samankaltaiset tiedostot
MS-C2132 Systeemianalyysilaboratorio I Laboratoriotyö 2. Sähkönkulutuksen ennustaminen aikasarjamallin avulla & Sähkön hankinnan optimointi

Ilkka Mellin Aikasarja-analyysi ARMA-mallit

Koska Box Jenkins-malleja on käsitelty kurssilla Mat Ennustaminen ja aikasarjaanalyysi, ei työohjeessa esitellä ARIMA-mallien perusasioita.

805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016)

Aikasarjamallit. Pekka Hjelt

STOKASTISET PROSESSIT

Dynaamiset regressiomallit

6.4 Variaatiolaskennan oletusten rajoitukset. 6.5 Eulerin yhtälön ratkaisuiden erikoistapauksia

Tuotannon suhdannekuvaajan menetelmäkuvaus

Auringonpilkkujen jaksollisuus

Viikon 5 harjoituksissa käytämme samoja aikasarjoja kuin viikolla 4. Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan pituus

Suomen kalamarkkinoiden analyysi yhteisintegraatiomenetelmällä

Työvoiman tarpeen ennustaminen SARIMA-aikasarjamallilla

Laboratoriotyö 2: Sähkönkulutuksen ennustaminen ja hankinnan optimointi

6.5.2 Tapering-menetelmä

Rahoitusriskit ja johdannaiset Matti Estola. luento 12 Stokastisista prosesseista

4. Tietokoneharjoitukset


4. Tietokoneharjoitukset

1 Excel-sovelluksen ohje

Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan pituus. Intelin osakekurssi. (Pörssi-) päivä n = 20 Intel_Volume. Auringonpilkkujen määrä

Identifiointiprosessi

Harjoitus 9: Excel - Tilastollinen analyysi

6.2.3 Spektrikertymäfunktio

Dynaamisten systeemien identifiointi 1/2

2. Taloudessa käytettyjä yksinkertaisia ennustemalleja. ja tarkasteltavaa muuttujan arvoa hetkellä t kirjaimella y t

Kemometriasta. Matti Hotokka Fysikaalisen kemian laitos Åbo Akademi

805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016)

SÄHKÖN HINTA POHJOISMAISILLA SÄHKÖMARKKINOILLA

Systeemimallit: sisältö

Vuoden 2004 alkoholiverotuksen muutoksen kulutusvaikutuksen ennustaminen. Linden, Mikael. ISBN ISSN X no 13

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH

ARIMA- ja GARCH-mallit sekä mallin sovittaminen osakeaineistoon

Havaitsevan tähtitieteen peruskurssi I. Datan käsittely. Jyri Lehtinen. kevät Helsingin yliopisto, Fysiikan laitos

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een

KYNNYSILMIÖ JA SILTÄ VÄLTTYMINEN KYNNYKSEN SIIRTOA (LAAJENNUSTA) HYVÄKSI KÄYTTÄEN

9. Tila-avaruusmallit

Missä mennään. systeemi. identifiointi. mallikandidaatti. validointi. malli. (fysikaalinen) mallintaminen. mallin mallin käyttötarkoitus, reunaehdot

VÄRÄHTELYMEKANIIKKA SESSIO 18: Yhden vapausasteen pakkovärähtely, transienttikuormituksia

Laboratoriotyö 2: Sähkönkulutuksen ennustaminen ja hankinnan optimointi

Identifiointiprosessi

Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t

Tekes tänään (ja huomenna?) Pekka Kahri Palvelujohtaja, Tekes Fortune seminaari

Signaalimallit: sisältö

Luento 9. Epälineaarisuus

ARMA mallien ominaisuudet ja rakentaminen

FYSA220/K2 (FYS222/K2) Vaimeneva värähtely

Huomaa, että aika tulee ilmoittaa SI-yksikössä, eli sekunteina (1 h = 3600 s).

4.0.2 Kuinka hyvä ennuste on?

Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio

54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):

Identifiointiprosessi II

Havaitsevan tähtitieteen peruskurssi I

3. Tietokoneharjoitukset

Harjoitus 7 : Aikasarja-analyysi (Palautus )

S Laskennallinen Neurotiede

TIE- JA VESIRAKENNUSHALLITUS TUTKIMUSKESKUS INSINÖÖRITOIMISTO PENTTI POLVINEN KY TVH HELSINKI ii / / / - 1)

Stationaariset stokastiset prosessit ja ARMA-mallit

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

Ilkka Mellin Aikasarja-analyysi Aikasarjat

Tilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio

Ilkka Keskiväli Kiinan energiankäytön aikasarja-analysointi

Sampsa Puttonen, vanhempi tutkijatkij Hämeenlinna

Vastaavasti voidaan määritellä korkeamman kertaluvun autoregressiiviset prosessit.

Matriisit ja vektorit Matriisin käsite Matriisialgebra. Olkoon A = , B = Laske A + B, , 1 3 3

Dynaamiset regressiomallit

Mat Tilastollisen analyysin perusteet, kevät 2007

Tietoliikennesignaalit

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

Matemaattinen Analyysi, k2012, L1

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)

ANALOGISEN VÄRITELEVISION RAKENNE JA TOIMINTA

ARMA mallien rakentaminen, johdatus dynaamisiin regressiomalle

Mapusta. Viikon aiheet

Testejä suhdeasteikollisille muuttujille

Havaitsevan tähtitieteen peruskurssi I

Rahoitusriskit ja johdannaiset Matti Estola. luento 13 Black-Scholes malli optioiden hinnoille

joka on separoituva yhtälö, jolla ei ole reaalisia triviaaliratkaisuja. Ratkaistaan: z z(x) dx =

6. Toisen ja korkeamman kertaluvun lineaariset

Kertaus. MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä

TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Mat Systeemien Identifiointi. 4. harjoitus

22,8 16,4 8,6 8,1 6,9 9,1 0,0 71,9 10,5 14,4 10,8 13,6 9,8 18,9 0,0 78,0 8,9 31,6 15,9 25,6 7,0 13,2 0,0 102,2

Aikasarjan ARIMA -mallipohjaisesta kausitasoituksesta

RIL Suomen Rakennusinsinöörien Liitto RIL ry

6. Tietokoneharjoitukset

Kokonaislukuoptimointi

infoa Viikon aiheet Potenssisarja a n = c n (x x 0 ) n < 1

MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely

Ene , Kuivatus- ja haihdutusprosessit teollisuudessa, Laskuharjoitus 5, syksy 2015

Pienimmän Neliösumman Sovitus (PNS)

W dt dt t J.

Kertaus. MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari

Ennustaminen ARMA malleilla ja Kalmanin suodin

Regressioanalyysi. Kuusinen/Heliövaara 1

Suoran yhtälöt. Suoran ratkaistu ja yleinen muoto: Suoran yhtälö ratkaistussa, eli eksplisiittisessä muodossa, on

Esimerkkitehtäviä, A-osa

Tee kokeen yläreunaan pisteytysruudukko. Valitse kuusi tehtävää seuraavista kahdeksasta. Perustele vastauksesi!

2 Yhtälöitä ja epäyhtälöitä

Micrologic elektroniset suojareleet 2.0 A, 5.0 A, 6.0 A ja 7.0 A Pienjännitetuotteet

Transkriptio:

Ma-2.3132 Syseemianalyysilaboraorio I Työ 2: 1) Sähkönkuluuksen ennusaminen SARIMAX-mallin avulla 2) Sähkön hankinnan opimoini 1

yö 2 Aikasarjamalli erään yriyksen sähkönkuluukselle SARIMAX-malli: kausivaihelu, ulkoisena seliäjänä ulkolämpöila ox & Jenkins -meneelmä: idenifioini, esimoini, diagnosise arkisukse Työkaluna ilasollinen ohjelmiso SAS (www.sas.com) Tieokone corona.csc.fi (www.csc.fi) Yhden vuorokauden unneiainen sähkönkuluusennuse Opimaalinen kusannukse minimoiva sähkön hankinasraegia Kysynnän ennusaminen ärkeää Vapauunella sähkömarkkinoilla erilaisia oimijoia - sähköpörssejä, sähkömeklareia, pienempiä markkinapaikkoja, sääövasaava Opimoini esim. Excelin solverilla 2

Aikasarjojen mallinamisesa (peruseellinen eoriakuvaus ks. Ma-2.3128 luenokalvo, hp://www.sal.kk.fi/opinno/ma-2.3128/imluenno07/luenoma07.hml) Aikasarja muodosuu jonkin muuujan (sähkönkuluus, lämpöila) käyäyymisesä peräkkäin ajassa ehdyisä havainnoisa Lähöajaus: aikasarja on sokasisen prosessin generoima havainno prosessin (eräs) realisaaio Hae aikasarajamalli, joka kuvaa prosessin ominaisuuksia riiävän hyvin Mallin hyödynäminen Aikasarjan kuvaaminen Aikasarjan seliäminen Aikasarjan ennusaminen Aikasarjan ohjaaminen 3

Aikasarjan saionaarisuus Aikasarjamallien perusoleus: saionaarisuus Hyvin srukuroiu esimoini- ja esauseoria Järjeselmällinen mallinnusprosessi Saionaarisella aikasarjalla on vakio Keskiarvo Varianssi Kovarianssi Saionaarisuus saavueaan differoimalla aikasarjaa Lineaarisesi kasvavan ai vähenevän rendin poisaminen Kausivaihelun poisaminen 4

Φ p ARIMA-malli Kaksi ärkeää perusmallirakennea: AR ja MA AuoRegressive: seliäjinä edellise arvo MovingAverage: seliäjänä edellise virheermi Inegraed, viiaa differoineihin ARIMA(p,d,q): z a, θ ( Θ d ) z = q ( ) mallieava suure valkoisa kohinaa viiveoperaaori Φ Θ φ p q i, j ( ) = (1 φ φ ( ) = (1 θ θ i, j 1,1 1,1 z = z 1 1,2 1,2 mallin parameri 2 2 a, differenssi =... φ... θ 1, p 1, q q p ) ) (1 ) 5

Kausivaihelu-ARMA-malli Φ P SARMA-malli Kausivaihelun piuus s, poiseaan differoimalla viiveellä s Mallissa käyeään seliäjinä kausivaihelun piuisen viiveen pääsä oeujen suureen ja kohinan arvoja SARIMA(P,D,Q): z a, θ ( Θ ( ) ( ) s D s ) s z = Q( ) mallieava suure valkoisa kohinaa viiveoperaaori Φ Θ φ P Q i, j i, j = (1 φ = (1 θ s,1 s,1 s,2 s,2 mallin parameri s S S z = z s φ θ, 2s 2s s a = (1... φ... θ s, P s, Q s ) Ps Qs ) ) 6

Muliplikaiivinen SARIMA-malli Useia kausivaiheluia, esim. jaksoilla 1 ja s TÄRKEÄÄ: Synyy muliplikaiivinen malli SARIMA(p,d,q)x(P,D,Q) Φ p ( Θ s d D s ) Φ P ( ) s z =Θq ( ) Q ( ) z a mallieava suure valkoisa kohinaa viiveoperaaori kuen edellä polynomi kuen edellä a 7

. ja vihdoin SARIMAX-malli Seasonal ARIMA wih exernal variable Mukana ulkoinen seliäjä X Siirofunkio-kohina-mallin erikoisapaus Θ ()Θ d D C() d D q s z = s x + A() Φ ()Φ kun A() = Φp()Φ SARIMAX(p,d,q)x(P,D,Q) P ( s ) p Q P ( ( s s ) ) a s d D d D Φp ()ΦP( ) s z = C() s x + x seliävä muuuja C() viivepolynomi Θ ()Θ q Q ( s )a 8

oxin ja Jenkinsin meneelmä SARIMA-mallien rakenamissraegia: 1. Mallin idenifioini: - differenoinnin keraluvu, viivepolynomien aseluvu 2. Mallin esimoini: - SASsi rouskuaa => infoa idenifioiniin 3. Diagnosise arkisukse: - ex pos ennuse, ilasollise esi, residuaalien analysoini Onko esimoiu mallin riiävä? Ei Palaaan vaiheeseen (1) On Malli on valmis 9

Aikasarjamallin idenifioinnin kulmakiviä Auokorrelaaiofunkio (esiselosusehävä!!) Vaimeneva => AR-osa, yksiäise piiki => MA-osa Yksiäsisiä vaimenevia piikkejä viiveen s välein => luulavasi kausivaihelu Osiaisauokorrelaaiofunkio Saadaan auokorrelaaiosa rakaisemalla ns. Yule-Walkerin yhälö Nollasa poikkeava viiveeseen p asi => AR-osan keraluku on ainakin p Yksiäise nollasa poikkeva piiki => luulavasi kausivaihelu Kääneinen auokorrelaaio Ns. duaalimallin auokorrelaaio Yksiäise piiki => AR-osa, vaimeneva => MA-osa Risikorrelaaio: korreloiko kaksi aikasarjaa keskenään? Ulkoinen muuuja SAS piirelee em. käppyrä 10

Sähkönkuluusmallin idenifioinnisa Onko alkuperäinen sähkönkuluusaikasarja saionaarinen? Aikasarjan kuvaaja Korrelaaiofunkioiden kuvaaja (saionaarinen => auokor. laskee nopesi nollaa) Lineaarinen rendi? AR(1)-mallin paramerin esimaai lähellä ykkösä (>0.9) => differoini ok Kausivaihelun? (esim. vuorokausi, viikko, vuosivaihelu) A priori ieämys mallieavasa prosessisa SAR(1)-mallin paramerin esimaai lähellä ykkösä => differoini jakson ajalla ok Signaali-kohinasuhde saaaa differoiaessa heikenyä olennaisesi Lämpöiladaa? Risikorrelaaio => korreloiko sähkönkuluus ja lämpöila? Differoinni sähkönkuluusdaan differoinien mukaan? 11

Daa kwh 90000 80000 70000 60000 50000 40000 30000 20000 10000 0 0 100 200 300 400 500 600 700 800 900 15 10 5 o C 0-5 0 100 200 300 400 500 600 700 800 900-10 -15 hour 12

Idenifioinnisa esimoiniin Kun aikasarja saionaarinen, valiaan käyeävän SARMA-mallin viivepolynomien aseluvu Korrelaaiofunkioiden kuvaaja SAS laskee Esimaai paramereille Erilaisia unnuslukuja Esimoinnisa infoa, esim. paramerien ilasollinen merkisevyys, -esi mallin keskivirhe Onko vakioparameri merkisevä? Lämpöilan lisäysατ, viive? Kokeile ja veraile erilaisia malleja!!! Johopääökse mallin rakeneesa ja oikeellisuudesa 13

Mallin diagnosise arkisukse 1/2 Paramerien ilasollinen merkisevyys, paramerien korrelaaio Mallin residuaali valkoisa kohinaa => Esimoiu malli OK Residuaalien korrelaaiofunkio oxin ja Piercen Q-esisuure (Pormaneau-esi) Q k 2 k = n r i i= 1 jossa r k = residuaalien auokorrelaaio viiveellä k Tesisuure Q K saa siä suurempia arvoja miä voimakkaammin residuaali ova auokorreloiuneia. Q-esisuure χ^2 jakauunu vapauseella k-m, jossa m esimoiujen paramerien lukumäärä 14

Mallin diagnosise arkisukse 2/2 Jos malli ei ole riiävä, palaaan idenifioini-vaiheeseen Tesien jälkeen voi olla useia malleja Mallin keskivirhe Ex pos -ennususkyky Milä ex ane -ennuse näyää? Niukkuusperiaae: valise kahdesa saman suoriuskyvyn mallisa se, jossa on vähemmän paramerejä (ylimääräise parameri lisäävä ennususvirheen varianssia) 15

Ennusa konsruoidulla mallilla havainojen jälkeiselle vuorokaudelle unneiainen sähkönkuluus 16

Toeuunu & eräiä ennuseia 90000 80000 70000 60000 50000 40000 30000 20000 10000 0 0 5 10 15 20 25 uni nro 17

Sähkön hankinnan opimoini 1/2 Vapauunee sähkömarkkina => Sähköä voidaan hankkia eri oimijoila Laadi sraegia yriyksen yhden vuorokauden unneiaiselle sähköhankinnalle s.e. kokonaiskusannukse minimoiuva Hankinnan ulee vasaa ennuseua kysynää Excel, aivo Vaihoehoise sähkön hankinaava Suomalainen sähköpörssi ELEX Kunkin unnin oso ja myyni, unneiaise hinna unneaan Meklarin väliyksellä pohjoismainen sähköpörssi NordPool Kunkin unnin oso, kiineä päivä- ja yöhina Kiineä sopismuspreemio riippumaa oseusa sähkön määräsä Sähkönmyyniyhiö SVK Kunkin unnin oso, kiineä peruspäivä- ja yöhina, kiineä huippupäivä- ja yöhina 18

Sähkön hankinnan opimoini 2/2 Hankinnan ja oeuuneen kuluuksen välisen erouksen asaaja on Assivoima Hankiu liikaa: Assi osaa päiväaikaan ELEX -4% ja yöaikaan ELEX -3% Hankiu liian vähän: Assi myy päivällä ELEX +5% ja yöllä ELEX +4% Avoimela oimiajala oseu sähkö kalliimpaa kuin eukäeen ilau sähkö ja oisaala myynihina on huonompi Eukäeen hankiu liikaa ai liian vähän => Kummasakin kusannuksia => Riski Millainen riskiasenne liiyy sähkön hankinasraegiaan? Kuluusennuse normaalijakauunu 19

Esiselosusehävä Yheenveo yöehävisä Määrää auokorrelaaiofunkio kahdelle muliplikaiiviselle SARMA-mallille Konsruoi SARIMAX-malli sähkönkuluukselle Perusele malli, perusele differoinni, perusele keraluvu Ei ole yhä oikeaa mallia!! Ennusa seuraavan vuorokauden sähkönkuluus Opimoi seuraavan vuorokauden sähkön hankina (mahdollisimman halvalla) ennuseeseen perusuen Ei ole yhä oikeaa opimoinimallia Riskiasenne 20

Aikasarjayön käyännön oeuus Assari jakaa. Työn aikaaulu Palaueava iedoso Työselosuksen vaaimukse SAS-demo 21