Prediction and decision making support in Dutch electricity market using big data techniques: A comparative analysis of different approaches

Abstract

Аналитика Больших данных в отрасли энергии является относительно новой темой, но исследования уже были проведены для разных случаев в некоторых странах потому, что такие исследования имеют большие значения для производителей и потребителей энергии. Прогнозирование ситуации на рынке энергии в целях поддерживать принятия решений для бизнеса – тема широко изученая, однако для голландского рынка электроэнергии, связанных с этим исследований немного. Голландский рынок электроэнергии отличается от того в других странах, в первую очередь, тем что в Голландии есть биржа электроэнергии, где цена энергии определяется спросом и предложением, и в Голландии главный оператор электроэнергии регулирует рынок с помощью цены-несбалансированность, что определяется несбалансированностью между спросом и предложением электроэнергии на рынке. В то же время, доля возобновляемой энергии, такой как солнечная энергия, ветровая энергия и гидроэнергия, увеличивается в этом рынке, и такие энергии можно торговать свободно в Голландии. В данной работе мы анализируем ситуации в голландском рынке с помощью аналитики больших данных, изучаем и сравняем различные методы аналитики данных для прогнозирования рыночных цен в этом рынке, определяем влияют ли метеорологические факторы на цены электроэнергии. Следовательно, мы сможем поддержать операторам, имеющим доступ в две разных цены, в принятии бизнес-решении о покупке электроэнергии. В результате нашей работы мы обнаружили что методы интеллектуального анализа данных превосходят традиционый метод аналитики данных, и существует определенный метод интеллектуального анализа данных, который дает нам лучшее результат в прогнозировании рыночного состояния. Метеорологические данные, оказалось бы не имеют отношение к цене на рынке, на самом деле влияют на колебания рыночной цены в Голландии. Данная работа ориентированна на практику и имеет значения для менеджеров в принятии решении в покупке электроэнергии на голландском рынке, модель прогнозирования, созданные в данной работе, могут помогать операторам сократить затраты покупки электроэнергии и зато имеют значения для дальнейшего исследования.

Big data analytics in energy industry is a relatively new topic, but a number of cases in different countries have already been studies for it can create real value for the producers or the consumers of energy. The prediction of energy market situation in order to provide decision making support is a widely studies area, however for Dutch electricity market, related studies are not many. The Dutch electricity market is quite different from the situation of other countries, first of all it has a power exchange where the energy price is dominated by supply and demand, and an electricity operator that regulates the price of electricity based on the market output -imbalance. Meanwhile, renewable energy such as solar energy, wind energy and greenhouse is on a rise in the liberalized Dutch energy market, and those green energy output can be freely traded in the market. Our study aims to look into the situation in Dutch electricity market by means of big data analytics, to examine and compare different data mining methods of market situation prediction and to examine if weather can affect the price of electricity in Dutch market, and hence provide decision support for energy purchase for those small electricity operators in the Dutch market who have access to two different market prices. As a result, we have found that big data mining techniques outperforms traditional data analytics method, and exist certain data mining technique that can give us the best decision making support in selecting bidding strategy of electricity. Meteorological data, seemingly irrelevant to the market price fluctuation, indeed has power of predicting market condition in the Netherlands. Current study is practice-oriented and has strong managerial implication, a conclusion can be drawn by our research is that the models we built in our study can actually help operators from private sectors to save energy purchasing cost thus have the value to be further developed.