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

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

12. ARKISIA SOVELLUKSIA

Systeemimallit: sisältö

KOE 2 Ympäristöekonomia

BINÄÄRINEN SYNKRONINEN TIEDONSIIRTO KAISTARAJOITTAMATTOMILLA MIELIVALTAISILLA PULSSIMUODOILLA SOVITETTU SUODATIN JA SEN SUORITUSKYKY AWGN-KANAVASSA

Derivoimalla ensimmäinen komponentti, sijoittamalla jälkimmäisen derivaatta siihen ja eliminoimalla x. saadaan

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

OPINTOJAKSO FYSIIKKA 1 OV OPINTOKOKONAISUUTEEN FYSIIKKA JA KEMIA 2 OV. Isto Jokinen Mekaniikka 2

4. Tietokoneharjoitukset

4. Tietokoneharjoitukset

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

Dynaaminen optimointi ja ehdollisten vaateiden menetelmä

VÄRÄHTELYMEKANIIKKA SESSIO 18: Yhden vapausasteen pakkovärähtely, transienttikuormituksia

W dt dt t J.

( ) ( ) 2. Esitä oheisen RC-ylipäästösuotimesta, RC-alipäästösuotimesta ja erotuspiiristä koostuvan lineaarisen järjestelmän:

( ) 5 t. ( ) 20 dt ( ) ( ) ( ) ( + ) ( ) ( ) ( + ) / ( ) du ( t ) dt

Dynaamiset regressiomallit

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

( ) ( ) x t. 2. Esitä kuvassa annetun signaalin x(t) yhtälö aikaalueessa. Laske signaalin Fourier-muunnos ja hahmottele amplitudispektri.

Tehtävä 1. Vaihtoehtotehtävät.

Mittaus- ja säätölaitteet IRIS, IRIS-S ja IRIS-M

DVC. VARIZON Piennopeuslaite säädettävällä hajotuskuviolla. Pikavalintataulukko

MS-C2128 Ennustaminen ja aikasarja-analyysi ARMA esimerkkejä

Tehtävä I. Vaihtoehtotehtävät.

RATKAISUT: 17. Tasavirtapiirit

Konvoluution laskeminen vaihe vaiheelta Sivu 1/5

Systeemimallit: sisältö

Laboratoriotyö 2: Sähkönkulutuksen ennustaminen ja hankinnan optimointi

9. Epäoleelliset integraalit; integraalin derivointi parametrin suhteen. (x + y)e x y dxdy. e (ax+by)2 da. xy 2 r 4 da; r = x 2 + y 2. b) A.

Epävarmuus diskonttokoroissa ja mittakaavaetu vs. joustavuus

TKK Tietoliikennelaboratorio Seppo Saastamoinen Sivu 1/5 Konvoluution laskeminen vaihe vaiheelta

Elektroniikan, tietoliikenteen ja automaation tiedekunta

7. Muut nostotarvikkeet

Tilausohjatun tuotannon karkeasuunnittelu. Tilausohjatun tuotannon karkeasuunnittelu

KUINKA PALJON VAROISTA OSAKKEISIIN? Mika Vaihekoski, professori. Lappeenrannan teknillinen yliopisto

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

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

Mat Sovellettu todennäköisyyslasku. Tilastolliset testit. Avainsanat:

Sopimuksenteon dynamiikka: johdanto ja haitallinen valikoituminen

DEE Lineaariset järjestelmät Harjoitus 4, ratkaisuehdotukset

Mat Sovellettu todennäköisyyslasku A

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

Käyttövarmuuden ja kunnossapidon perusteet, KSU-4310: Tentti ma

DEE Lineaariset järjestelmät Harjoitus 6, harjoitustenpitäjille tarkoitetut ratkaisuehdotukset

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

1 Excel-sovelluksen ohje

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

YMPJåoSTÖ 2?.5.14 J Ub,

ARMA mallien ominaisuudet ja rakentaminen

Alipäästösuodatuksesta jää kuitenkin pieni vaihtovirtakomponentti, joka summautuu tasajännitteen päälle:

KÄYTTÖOPAS. -järjestelmän sisäyksikkö HXHD125A8V1B

2. Systeemi- ja signaalimallit

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

a. Varsinainen prosessi on tuttua tilaesitysmuotoa:

Identifiointiprosessi

PD-säädin PID PID-säädin

KÄYTTÖOPAS. Ilma vesilämpöpumppujärjestelmän sisäyksikkö ja lisävarusteet RECAIR OY EKHBRD011ADV1 EKHBRD014ADV1 EKHBRD016ADV1

VÄRÄHTELYMEKANIIKKA SESSIO 14: Yhden vapausasteen vaimeneva pakkovärähtely, harmoninen kuormitusheräte

1 x 2 1 x 2 C 1 D. 1 x 2 C 1. x 2 C 1 C x2 D x 2 C 1; x 0: x 2 C 1 C 1. x 2 x 4 C 1 ja. x 4 C 1 D.x4 1/.x 4 C 1/

Öljyshokkien talousvaikutusten heikkeneminen ja ilmiön syyt

BETONI-TERÄS LIITTORAKENTEIDEN SUUNNITTELU EUROKOODIEN MUKAAN (TTY 2009) Betonipäivät 2010

6.2.3 Spektrikertymäfunktio

b) Esitä kilpaileva myötöviivamekanismi a-kohdassa esittämällesi mekanismille ja vertaile näillä mekanismeilla määritettyjä kuormitettavuuksia (2p)

7. Pyörivät sähkökoneet

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

Tiedonhakumenetelmät Tiedonhakumenetelmät Helsingin yliopisto / TKTL. H.Laine 1. Todennäköisyyspohjainen rankkaus

määrittelyjoukko. 8 piirretään tangentti pisteeseen, jossa käyrä leikkaa y-akselin. Määritä tangentin yhtälö.

Aikasarjatutkimuksia Valkeakosken kaupunki-ilman hajurikkipitoisuuksista

Lasin karkaisun laatuongelmat

Ilmavirransäädin. Mitat

järjestelmät Luento 4

Piennopeuslaite FMH. Lapinleimu

Ennustaminen ARMA malleilla ja Kalmanin suodin

2. Nostokettingit ja komponentit

POSITIIVISEN LINSSIN POLTTOVÄLI

Luento 11. tietoverkkotekniikan laitos

DVC. VARIZON Piennopeuslaite säädettävällä hajotuskuviolla LYHYESTI

Stationaariset stokastiset prosessit ja ARMA-mallit

2. Suoraviivainen liike

ETERAN TyEL:n MUKAISEN VAKUUTUKSEN ERITYISPERUSTEET

XII RADIOAKTIIVISUUSMITTAUSTEN TILASTOMATEMATIIKKAA

Luku 16 Markkinatasapaino

HAMMASHIHNAJOHDEAKSELEIDEN LIIKKEIDEN SYNKRONOINTI

Asennus- ja hoito-ohje

Osaketuottojen volatiliteetin mallintaminen

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

Viivakuormituksen potentiaalienergia saadaan summaamalla viivan pituuden yli

KEHITTYNEIDEN VALUUTTAMARKKINOIDEN TEHOKKUUS: USD INDEKSI

HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 4 Ratkaisuehdotuksia. Tehtäväsarja I

Ojala, Leena Ojala ja Timo Ranta LAPLACE-MUUNNOS

2 1017/2013. Liitteet 1 2 MUUTOS LASKUPERUSTEISIIN TYÖNTEKIJÄN ELÄKELAIN MUKAISTA TOIMINTAA HARJOITTAVILLE ELÄKESÄÄTIÖILLE

FDPa. Rei itetty seinään asennettava poistoilmalaite

C B A. Kolmessa ensimmäisessä laskussa sovelletaan Newtonin 2. ja 3. lakia.

a) Esitä piirtämällä oheisen kaksoissymmetrisen ulokepalkkina toimivan kotelopalkin kaksi täysin erityyppistä plastista rajatilamekanismia (2p).

Tehokasta talvipitoa MICHELIN-renkailla

Esimerkkilaskelma. Jäykistävä CLT-seinä

S /142 Piirianalyysi 2 1. Välikoe

Luento 9. Epälineaarisuus

KAAVOITUSKATSAUS VALMISTUMASSA OLEVAT KAAVAT 3 VIREILLÄ OLEVAT KAAVAT 6 UUDET KAAVAHANKKEET, EI KAAVOITUSPÄÄTÖSTÄ 18 MAAKUNTAKAAVOITUS 18

KULMAMODULOITUJEN SIGNAALIEN ILMAISU DISKRIMINAATTORILLA

Transkriptio:

MS-C2132 Syeemianalyyilaboraorio I Laboraorioyö 2 Sähkönkuluuken ennuaminen aikaarjamallin avulla & Sähkön hankinnan opimoini

Laboraorioyö 2 Aikaarjamalli erään yriyken ähkönkuluukelle SARIMAX-malli: kauivaihelu, ulkoiena eliäjänä ulkolämpöila ox & Jenkin -meneelmä: idenifioini, eimoini, diagnoie arkiuke Työkaluna R, www.r-projec.org Yhden vuorokauden unneiainen ähkönkuluuennue Opimaalinen kuannuke minimoiva ähkön hankinaraegia Kyynnän ennuaminen ärkeää Vapauunella ähkömarkkinoilla erilaiia oimijoia - ähköpörejä, ähkömeklareia, pienempiä markkinapaikkoja, ääövaaava Opimoini eim. Excelin olverilla

Aikaarjojen mallinamiea (perueellinen eoriakuvau k. MS-C2128 maeriaali, mycoure.aalo.fi/coure/view.php?id=7565 Aikaarja muodouu jonkin muuujan (ähkönkuluu, lämpöila käyäyymieä peräkkäin ajaa ehdyiä havainnoia Lähöajau: aikaarja on okaien proein generoima Havainno proein (erä realiaaio Hae aikaarajamalli, joka kuvaa proein ominaiuukia riiävän hyvin Mallin hyödynäminen Aikaarjan kuvaaminen Aikaarjan eliäminen Aikaarjan ennuaminen Aikaarjan ohjaaminen

Aikaarjan aionaariuu Aikaarjamallien peruoleu: aionaariuu Hyvin rukuroiu eimoini- ja eaueoria Järjeelmällinen mallinnuproei Saionaariella aikaarjalla on vakio Kekiarvo Variani Kovariani Saionaariuu aavueaan differoimalla aikaarjaa Lineaariei kavavan ai vähenevän rendin poiaminen Kauivaihelun poiaminen

ARIMA-malli Kaki ärkeää perumallirakennea: AR ja MA AuoRegreive: eliäjinä edellie arvo MovingAverage: eliäjänä edellie virheermi Inegraed, viiaa differoineihin ARIMA(p,d,q: z a p (, d z q ( mallieava uure valkoia kohinaa viiveoperaaori p q i, j ( ( i, j (1 (1 1,1 1,1 z 1,2 1,2 1 mallin parameri z 2 2 a, differeni...... 1, p 1, q q p (1

SARMA-malli Q D P a z ( ( Kauivaihelu-ARMA-malli Kauivaihelun piuu, poieaan differoimalla viiveellä Mallia käyeään eliäjinä kauivaihelun piuien viiveen päää oeujen uureen ja kohinan arvoja SARMA(P,D,Q: mallin parameri,... (1 (... (1 ( (1, viiveoperaaori valkoia kohinaa mallieava uure,,, 2,2,1, 2,2,1 j i j i Q Q S Q P P S P z z a z

Muliplikaiivinen SARIMA-malli Ueia kauivaiheluia, eim. jakoilla 1 ja TÄRKEÄÄ: Synyy muliplikaiivinen malli SARIMA(p,d,qx(P,D,Q: p ( d D P ( z q ( Q ( z a mallieava uure valkoia kohinaa viiveoperaaori kuen edellä polynomi kuen edellä a

. ja vihdoin SARIMAX-malli Seaonal ARIMA wih exernal variable Mukana ulkoinen eliäjä X Siirofunkio-kohina-mallin erikoiapau: d kun D z A( C( A( p d ( P D x ( ( q p ( Q P ( ( a SARIMAX(p,d,qx(P,D,Q p ( P ( d D z C( d D x ( q Q ( a x eliävä muuuja C( viivepolynomi

oxin ja Jenkinin meneelmä SARIMA-mallien rakenamiraegia: 1. Mallin idenifioini: - Differenoinnin keraluvu, viivepolynomien aeluvu 2. Mallin eimoini: - R roukuaa => infoa idenifioiniin 3. Diagnoie arkiuke: - Ex po ennue, (ilaollie ei, reiduaalien analyoini Onko eimoiu mallin riiävä? Ei Palaaan vaiheeeen (1 On Malli on valmi

Aikaarjamallin idenifioinnin kulmakiviä Auokorrelaaiofunkio (eielouehävä!! Vaimeneva => AR-oa, ykiäie piiki => MA-oa Ykiäiiä vaimenevia piikkejä viiveen välein => luulavai kauivaihelu Oiaiauokorrelaaiofunkio Saadaan auokorrelaaioa rakaiemalla n. Yule-Walkerin yhälö Nollaa poikkeava viiveeeen p ai => AR-oan keraluku on ainakin p Ykiäie nollaa poikkeva piiki => luulavai kauivaihelu Riikorrelaaio: korreloiko kaki aikaarjaa kekenään? Ulkoinen muuuja R piirelee em. käppyrä

Sähkönkuluumallin idenifioinnia Onko alkuperäinen ähkönkuluuaikaarja aionaarinen? Aikaarjan kuvaaja Korrelaaiofunkioiden kuvaaja (aionaarinen => auokor. lakee nopei nollaa Lineaarinen rendi? AR(1-mallin paramerin eimaai lähellä ykköä (>0.9 => differoini ok Kauivaihelun? (eim. vuorokaui, viikko, vuoivaihelu A priori ieämy mallieavaa proeia SAR(1-mallin paramerin eimaai lähellä ykköä => differoini jakon ajalla ok Signaali-kohinauhde aaaa differoiaea heikenyä olennaiei Lämpöiladaa? Riikorrelaaio => korreloiko ähkönkuluu ja lämpöila? Differoinni ähkönkuluudaan differoinien mukaan?

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

Idenifioinnia eimoiniin Kun aikaarja aionaarinen, valiaan käyeävän SARMA-mallin viivepolynomien aeluvu Korrelaaiofunkioiden kuvaaja R lakee Eimaai paramereille Erilaiia unnulukuja Eimoinnia infoa, eim. Paramerien ilaollinen merkievyy, -ei & luoamuväli Mallin AIC (Akaiken informaaiokrieeri & jäännövariani Lämpöilan liäy, viive? Kokeile ja veraile erilaiia malleja!!! Johopääöke mallin rakeneea ja oikeelliuudea

Mallin diagnoie arkiuke 1/2 Mallin reiduaali valkoia kohinaa => Eimoiu malli OK Reiduaalien korrelaaiofunkio Ljung-ox:n Q-eiuure (Pormaneau-ei: Q k n( n 2 joa r k = reiduaalien auokorrelaaio viiveellä k i1 /( n k Teiuure Q K aa iä uurempia arvoja miä voimakkaammin reiduaali ova auokorreloiuneia. k r Q-eiuure ^2 jakauunu vapaueella k-m, joa m eimoiujen paramerien lukumäärä 2 i

Mallin diagnoie arkiuke 2/2 Jo malli ei ole riiävä, palaaan idenifioini-vaiheeeen Teien jälkeen voi olla ueia malleja Mallin AIC & jäännövariani Ex po -ennuukyky Milä ex ane -ennue näyää? Niukkuuperiaae: Valie kahdea aman uoriukyvyn mallia e, joa on vähemmän paramerejä (ylimääräie parameri liäävä ennuuvirheen variania

Ennua konruoidulla mallilla havainojen jälkeielle vuorokaudelle unneiainen ähkönkuluu

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

Sähkön hankinnan opimoini 1/2 Vapauunee ähkömarkkina => Sähköä voidaan hankkia eri oimijoila Laadi raegia yriyken yhden vuorokauden unneiaielle ähköhankinnalle.e. kokonaikuannuke minimoiuva Hankinnan ulee vaaa ennueua kyynää Excel, aivo Vaihoehoie ähkön hankinaava Pohjoimainen ähköpöri NordPool Kunkin unnin oo ja myyni, unneiaie hinna unneaan Meklarin väliykellä pohjoimainen ähköpöri NordPool Kunkin unnin oo, kiineä päivä- ja yöhina Kiineä opimupreemio riippumaa oeua ähkön määrää Sähkönmyyniyhiö SVK Kunkin unnin oo, kiineä perupäivä- ja yöhina, kiineä huippupäivä- ja yöhina

Sähkön hankinnan opimoini 2/2 Hankinnan ja oeuuneen kuluuken välien erouken aaaja on Aivoima Hankiu liikaa: Ai oaa päiväaikaan NordPool -4% ja yöaikaan NordPool -3% Hankiu liian vähän: Ai myy päivällä NordPool +5% ja yöllä NordPool +4% Avoimela oimiajala oeu ähkö kalliimpaa kuin eukäeen ilau ähkö ja oiaala myynihina on huonompi Eukäeen hankiu liikaa ai liian vähän => Kummaakin kuannukia => Riki Millainen rikiaenne liiyy ähkön hankinaraegiaan? Kuluuennue normaalijakauunu

Eielouehävä Yheenveo yöehäviä Määrää auokorrelaaiofunkio kahdelle muliplikaiivielle SARMA-mallille Konruoi SARIMAX-malli ähkönkuluukelle Peruele malli, peruele differoinni, peruele keraluvu Ei ole yhä oikeaa mallia!! Ennua euraavan vuorokauden ähkönkuluu Opimoi euraavan vuorokauden ähkön hankina (mahdolliimman halvalla ennueeeen peruuen Ei ole yhä oikeaa opimoinimallia Rikiaenne

Aikaarjayön käyännön oeuu Aari jakaa. Työn aikaaulu Palaueava iedoo Työelouken vaaimuke R-demo