REVIEW ARTICLE
COMPARATIVE ANALYSIS OF METHODS FOR HOURLY ELECTRICITY DEMAND FORECASTING IN THE ABSENCE OF DATA – A CASE STUDY
 
 
More details
Hide details
1
Wydział Ekonomiczny, Katedra Zastosowań Matematyki w Ekonomii (profesor emerytowany), Zachodniopomorskiego Uniwersytetu Technologicznego w Szczecinie, Polska
 
 
Submission date: 2022-11-24
 
 
Final revision date: 2023-01-24
 
 
Acceptance date: 2023-01-25
 
 
Online publication date: 2023-03-29
 
 
Publication date: 2023-03-29
 
 
Corresponding author
Jan Zawadzki   

Wydział Ekonomiczny, Katedra Zastosowań Matematyki w Ekonomii (profesor emerytowany), Zachodniopomorskiego Uniwersytetu Technologicznego w Szczecinie, Janickiego 31, 71-270, Szczecin, Polska
 
 
Economic and Regional Studies 2023;16(1):34-50
 
KEYWORDS
JEL CLASSIFICATION CODES
C22
 
TOPICS
ABSTRACT
Subject and purpose of work: This paper examines the impact of the number of gaps in data, the analytical form, and the model type selection criterion on the accuracy of interpolation and extrapolation forecasts for hourly data. Materials and methods: Forecasts were developed on the basis of predictors that are based on: classical time series forecasting models and regression time series forecasting models, hybrid time series forecasting models and hybrid regression forecasting models for uncleared series, and exponential smoothing models for cleared series of two or three types of seasonal fluctuations, with minimum estimates of errors in interpolation or extrapolation forecasts. Results: Adaptive and hybrid regression models have proved to have the most favorable predictive properties. Most hybrid time series models for systematic and non-systematic gaps and for both analytical forms are single models that generally describe fluctuations within a 24-hour cycle. Conclusions: The lowest estimators of prediction errors involving interpolation were obtained for exponential smoothing models, followed by hybrid regression models. A reverse sequence was obtained for extrapolative forecasting.
 
REFERENCES (19)
1.
Dordonnat, V., Koopman, S.J., Ooms, M., Dessertaine, A. (2008). An Hourly Periodic State Space Model for Modeling French National Electricity Load. International Journal of Forecasting, 24: 588-587. DOI: https://doi.org/10.1016/j.ijfo....
 
2.
Engle, R. F., Granger, C. W. J., Rice, J., Weiss, A. (1986). Semiparametric Estimates of the Relation between Weather and Electricity. Journal of the American Statistical Association, 81: 310-320.
 
3.
Harvey, A.C., Koopman, S.J. (1993). Forecasting Hourly Electricity Demand Using Time-varying Splines. Journal of the American Statistical Association, 88: 1228-1237.
 
4.
Kufel, T. (2010). Ekonometryczna analiza cykliczności procesów gospodarczych o wysokiej częstotliwości obserwacji. Toruń: Wydawnictwo Naukowe.
 
5.
Lichota, A. (2006). Prognozowanie krótkoterminowe na lokalnym rynku energii elektrycznej [Rozprawa doktorska, Akademia Górniczo-Hutnicza w Krakowie]. Pobrane z: https://winntbg.bg.agh.edu.pl/... 9746/full.pdf (21.01.2023).
 
6.
Misiorek, A., Weron, R. (2004). Modelowanie sezonowości a prognozowanie zapotrzebowania na energię elektryczną. Energetyka, 12: 794-799. Pobrane z: http://prac.im.pwr.wroc.pl/~hu..._ Energetyka_szczotka.pdf (21.01.2023).
 
7.
Nowicka-Zagrajek, J., Weron, R. (2002). Modeling Electricity Loads in California: ARMA Models with Hyperbolic Noise. Signal Processing, 82: 1903-1915. DOI: https://doi.org/10.1016/S0165-....
 
8.
Ramanathan, R., Engle, R., Granger, C. J. V., Vahid-Araghi, F., Brace, C. (1997). Short-run Forecast of Electricity Loads and Peaks. International Journal of Forecasting, 13: 161-174. DOI: https://doi.org/10.1016/ S0169-2070(97)00015-0.
 
9.
Szmuksta–Zawadzka, M., Zawadzki, J. (2002). Hierarchiczne modele szeregów czasowych z wahaniami sezonowymi. Budowa. Estymacja. Prognozowanie. W: A. Zeliaś (red.), Przestrzenno-czasowe modelowanie i prognozowanie zjawisk gospodarczych (s. 193-204). Kraków: Wydawnictwo Akademii Ekonomicznej.
 
10.
Szmuksta-Zawadzka, M., Zawadzki, J. (2011). Modelowanie i prognozowanie zapotrzebowania na energię elektryczną w mikroskali. Prace Naukowe UE we Wrocławiu, 165: 152-161.
 
11.
Szmuksta-Zawadzka, M., Zawadzki, J. (2014). Modele hierarchiczne w prognozowaniu zmiennych o wysokiej częstotliwości obserwowania w warunkach braku pełnej informacji. Ekonometria, 46(4): 72-84. DOI: 10.15611/ekt.2014.4.07.
 
12.
Szmuksta-Zawadzka, M., Zawadzki, J. (2015). Wykorzystanie danych oczyszczonych o wysokiej częstotliwości w prognozowaniu zmiennych ze złożoną sezonowością. Metody Ilościowe w Badaniach Ekonomicznych, 16(4): 147-159. Pobrane z: https://qme.sggw.edu.pl/articl... (17.09.2022).
 
13.
Szmuksta-Zawadzka, M., Zawadzki, J. (2016). Prognozowanie na podstawie szeregów czasowych o wysokiej częstotliwości oczyszczonych z sezonowości dla luk niesystematycznych. Metody Ilościowe w Badaniach Ekonomicznych, 17(1): 121-136. Pobrane z: https://qme.sggw.edu.pl/articl... (17.09.2022).
 
14.
Taylor, J.W, Menezes, L.M., McSharry, P. E. (2006). A comparison of univariate methods for forecasting electricity demand up to a day ahead. International Journal of Forecasting, 22: 1-16. DOI: https://doi.org/ 10.1016/j.ijforecast.2005.06.006.
 
15.
Taylor, J.W. (2010). Triple Seasonal Methods for Short-term Load Forecasting. European Journal of Operational Research, 204: 139-152. DOI: https://doi.org/10.1016/j.ejor....
 
16.
Tomaszewski, M. (2005). Model przedsiębiorstwa dystrybucyjnego działającego na otwartym rynku energii elektrycznej [Rozprawa doktorska, Politechnika Opolska]. s. 122, Pobrane z: https://silo.tips/download/ politechnika-opolska-wydzia-elektrotechniki-i-automatyki (21.01.2023).
 
17.
Witkowska, D., Górecka, A., Szadkowska, D., Szymczak, Z. (2000). The forecasting of the demand for electric energy: comparative analysis. Dynamic Econometric Models, 4: 45–59.
 
18.
Zawadzki, J. (2018). Modele hybrydowe w prognozowaniu brakujących danych w szeregach o bardzo wysokiej częstotliwości obserwowania. Folia Pomeranae Universitatis Technologiae Stetinensis seria OECONOMICA, 346(92): 81–96.
 
19.
Zawadzki, J. (2020). Prognozowanie brakujących danych w szeregach czasowych przy zastosowaniu modeli hybrydowych – podejście teoretyczne i empiryczne. Wiadomości Statystyczne. The Polish Statistician, 65(10): 24-48. Pobrane z: http://cejsh.icm.edu.pl/cejsh/...- 10_5604_01_3001_0014_4315/c/1-a7f95192-0b38-4cb9-b923 953a0d1507ef.pdf.pdf (17.09.2022).
 
eISSN:2451-182X
ISSN:2083-3725
Journals System - logo
Scroll to top