Analiza cantitativă a piețelor de energie

Cursul 7 · Învățare automată și modele fundație pentru prognoza prețului energiei electrice

În stînga este slide-ul din curs, în dreapta aceeași figură, recalculată în browser din rezultatele salvate ale Quantlet-urilor (prognozele anului de test 1 noiembrie 2025 – 31 octombrie 2026) și din prețurile românești pentru ziua următoare. Butonul ▶ modifică parametrul principal pas cu pas. Abrevieri: MAE = eroarea absolută medie (mean absolute error); DNN = rețea neuronală adîncă (deep neural network); XGBoost = extreme gradient boosting; LEAR = model autoregresiv estimat cu LASSO (least absolute shrinkage and selection operator); AW-LEAR / AW-ARX = media prognozelor LEAR / ARX (model autoregresiv cu variabile exogene) pe mai multe ferestre de calibrare; GBM = gradient boosting machine; MLP = perceptron multistrat; DM = testul Diebold–Mariano; ROC = receiver operating characteristic (curba caracteristică de operare); AUC = aria de sub curba ROC.

Rețele neuronale profunde · Compararea modelelor, combinarea lor și costul de calcul · Gradient boosting și modele fundaționale · Vîrfuri de preț, prețuri negative și un studiu de caz

Rețele neuronale profunde

Oprirea timpurie pe baza erorii din zilele recente

Slide-ul 13: Oprirea timpurie pe baza erorii din zilele recente
Slide-ul 13

    Codul acestei figuri: EMQA_L7_learning_curve · deschide în Colab

    Întrebare pentru sală Rețeaua DNN aleasă, reestimată pentru octombrie 2026, este antrenată cu oprire timpurie (early stopping): antrenarea se oprește după 25 de epoci fără o eroare mai mică pe ultimele 15% dintre zile, iar ponderile celei mai bune epoci sînt păstrate. Ar da antrenarea pînă la capăt (epoca 76) o eroare mai mică pe aceste zile recente?
    Răspuns

    Nu. Eroarea de antrenare continuă să scadă, pînă la 23,06 EUR/MWh în epoca 76, dar eroarea pe zilele recente este minimă în epoca 51 (24,50 EUR/MWh) și ajunge la 25,07 EUR/MWh în epoca 76: după epoca 51, rețeaua memorează trecutul. Cu o răbdare scurtă, căutarea se oprește prea devreme: cu 5 epoci se oprește în epoca 30 și păstrează epoca 25 (24,91 EUR/MWh).

    Compararea modelelor, combinarea lor și costul de calcul

    Combinația este mai precisă decît AW-LEAR în 10 din 12 luni

    Slide-ul 26: Combinația este mai precisă decît AW-LEAR în 10 din 12 luni
    Slide-ul 26
    Modele

      Codul acestei figuri: EMQA_L7_monthly_ml · deschide în Colab

      Întrebare pentru sală Singure, XGBoost și DNN au un MAE anual mai mare decît AW-LEAR (23,26 și 22,95 față de 22,53 EUR/MWh). În cîte dintre cele 12 luni bate AW-LEAR media lor cu ponderi egale cu AW-LEAR?
      Răspuns

      În 10 din 12 luni (MAE anual 21,97 EUR/MWh); singure, XGBoost și DNN bat AW-LEAR doar în cîte 3 luni. Toate modelele greșesc cel mai mult în aceleași luni: octombrie 2026 este luna cea mai slabă pentru AW-LEAR (34,9 EUR/MWh). Chronos-2, un model fundație folosit fără antrenare pe aceste date, are cel mai mic MAE anual, 20,82 EUR/MWh.

      Medierea prognozelor și diferențele dintre erorile modelelor

      Slide-ul 25: Medierea prognozelor și diferențele dintre erorile modelelor
      Slide-ul 25

        Codul acestei figuri: EMQA_L7_combo_weight · deschide în Colab

        Întrebare pentru sală Erorile AW-LEAR și XGBoost au corelația 0,89. Merită estimată ponderea combinației în locul ponderilor egale?
        Răspuns

        Aproape deloc. Cea mai bună pondere văzută ulterior pe anul de test este w = 0,40 (MAE 22,06 EUR/MWh), față de 22,10 EUR/MWh cu w = 0,5, iar ponderea cea mai bună nu este cunoscută dinainte. Deoarece corelația este sub 1, media greșește mai puțin decît fiecare model (23,26 pentru XGBoost, 22,53 pentru AW-LEAR). Pentru AW-LEAR + Chronos-2, ponderea văzută ulterior ar fi w = 0,75 (20,57 EUR/MWh, față de 20,81 cu ponderi egale).

        Testele DM: combinațiile cu ML sînt semnificativ mai precise decît AW-LEAR

        Slide-ul 24: Testele DM: combinațiile cu ML sînt semnificativ mai precise decît AW-LEAR
        Slide-ul 24

          Codul acestei figuri: EMQA_L7_dm_matrix · deschide în Colab

          Întrebare pentru sală Media cu ponderi egale AW-LEAR + DNN + XGBoost are un MAE cu 0,56 EUR/MWh mai mic decît AW-LEAR. Este diferența semnificativă în testul Diebold–Mariano (DM) unilateral, la 5%?
          Răspuns

          Da: p = 0,001 (statistica DM 3,09, cu 7 laguri Newey–West). Testul folosește cele 365 de erori absolute medii zilnice; diferența cumulată din dreapta crește constant de-a lungul anului, nu doar în cîteva zile. În schimb, adăugarea AW-LEAR la Chronos-2 nu schimbă nimic (p = 0,491). Modificați numărul de laguri: concluzia pentru această pereche nu depinde de el.

          Gradient boosting și modele fundaționale

          Chronos-2 este mai precis decît AW-LEAR în fiecare oră a zilei

          Slide-ul 19: Chronos-2 este mai precis decît AW-LEAR în fiecare oră a zilei
          Slide-ul 19
          Modele

            Codul acestei figuri: EMQA_L7_foundation_hour · deschide în Colab

            Întrebare pentru sală Chronos-2 este un model fundație: prognozează din ultimele 2048 de prețuri orare, fără să fi fost antrenat pe date românești. În cîte dintre cele 24 de ore bate AW-LEAR pe anul de test și sînt benzile sale 10%–90% bine calibrate?
            Răspuns

            Bate AW-LEAR în toate cele 24 de ore (MAE anual 20,82 față de 22,53 EUR/MWh). Banda sa 10%–90% conține însă 76,5% dintre prețuri, nu 80%: este prea îngustă și trebuie recalibrată (Cursul 2) înainte de a fi folosită pentru risc. Chronos-Bolt, mai mic și mai vechi, este la egalitate cu AW-LEAR (22,15 EUR/MWh, DM p = 0,220).

            Vîrfuri de preț, prețuri negative și un studiu de caz

            Regula cost–pierdere: reacționați cînd probabilitatea depășește C/L

            Slide-ul 39: Regula cost–pierdere: reacționați cînd probabilitatea depășește C/L
            Slide-ul 39

              Codul acestei figuri: EMQA_L7_decision · deschide în Colab

              Întrebare pentru sală Un cumpărător cu 1 MW de consum flexibil poate muta consumul dintr-o oră cu alertă; acțiunea costă C = 30 EUR/MWh, iar un salt de preț ratat costă în medie L̄ = 72,5 EUR/MWh (excesul mediu peste pragul de salt în anul de validare). Ce prag de probabilitate ar trebui să declanșeze o alertă: 0,5, C/L̄ = 0,414 sau pragul care s-a dovedit cel mai bun ulterior?
              Răspuns

              C/L̄ = 30/72,5 = 0,414, fixat dinaintea anului de test, din costuri. Cu XGBoost dă 1806 alerte și 33,0 mii EUR pe MW și an; persistența dă 11,8, iar previziunea perfectă 62,4. Pe acest an de test, pragul 0,5 a ieșit puțin mai bine (36,7), iar 0,64 cel mai bine: acestea sînt alegeri făcute ulterior. Măriți C: regula cere o probabilitate mai mare înainte de a acționa.

              Prețuri: OPCOM PZU (piața românească pentru ziua următoare), prin energy-charts.info (Fraunhofer ISE), ziua de livrare CET × 24 de ore (din 1 octombrie 2025, ora este media celor patru sferturi de oră). Prognoze și probabilități: rezultatele salvate ale Quantlet-urilor EMQA_L7_* (calcul propriu: AW-LEAR recalibrat zilnic, DNN și XGBoost reestimate lunar, Chronos fără antrenare, zero-shot). Anul de test: 2025-11-01 – 2026-10-31.