Autoregressiiviset mallit sähkön kulutuksen ennustamisessa

Abstract

Sähkön kulutuksen tarkka ennustaminen on tärkeää, jotta voidaan turvata sähköverkon toimivuus ja kuluttajille halpa sähkön hinta. Lyhyen aikavälin ennusteet ovat energia- alalle tärkeimpiä päivittäisessä operatiivisessa toiminnassa, sillä sähkön osto tapahtuu yleensä tunneittain seuraavalle päivälle ja väärin arvioitu kulutus aiheuttaa lisäkuluja, jot- ka ovat sitä suurempia, mitä huonommin kulutus on arvioitu. Tässä tutkielmassa esitellään aikasarja-analyysia yleisesti, Suomen sähköverkon erityis- piirteitä, alan tutkimusta ja Box–Jenkinsin autoregressiivisiä malleja. Tutkielmassa pyri- tään myös ennustamaan sähkönkulutusta autoregressiivisillä malleilla (ARIMA) käyttäen apuna lämpötilatietoja. Aineistona on käytetty sähkön kokonaiskulutusta koko Suomessa vuosilta 2004–2011 sekä Hämeenlinnan lämpötilatietoja samalta ajalta. Tulokset osoittavat, että malli sopii ongelmaan kohtalaisesti, mutta ARIMA-malli ei osaa täysin kuvata kaikkia sähkön- kulutuksen erityispiirteitä, kuten useaa eri kausittaisuutta, yösähkötariffin alkamista ja työviikon vaihteluita.

Accurate electric load forecasting is important to guarantee the functionality of the power grid and a low cost of electricity for the consumers. Short term load forecasting is im- portant for the operation of a system operator, because electricity is bought by the hour for the next day and a bad load forecast causes extra costs that are directly proportional to how bad the forecast was. In this thesis I demonstrate time series analysis in general, special features of the Finnish power grid, research on load forecasting and the Box–Jenkins method of time series anal- ysis. An electric load forecast is built with autoregressive models, using temperature information to help the model. The data used is the total electricity usage in Finland in the years 2004–2011 and the prevailing temperature in Hämeenlinna. The results show that the model fits the problem moderately, but the ARIMA model has problems with some of the special features of electric load, such as multiple seasonalities, the starting time of the night rate and the fluctuations of the working week.