Van Willekeurig naar Rationeel: Voorspelling van
onbalansmarkten
11/10/2023
door Florian de Koning, consultant bij Het ConsultancyHuis
Onze visie is dat over 5 jaar de meeste batterijen en andere flexibele assets in Nederland aangestuurd worden om optimaal te reageren op signalen van onbalansmarkten. Optimaal reageren om zoveel mogelijk uit je kW te halen noemen we value stacking.
Het Belang van Marktvoorspellingen in Value Stacking
Één van de belangrijkste aspecten van value stacking het begrijpen en voorspellen van de handelsmarkten. Deze markten bieden kansen om assets op een optimale manier aan te sturen en zo waarde te genereren. Daarbij is het ontwikkelen van nauwkeurige voorspelmodellen essentieel. Doordat je anticipeert op schommelingen in de vraag en het aanbod van energie, kun je je assets strategisch inzetten en de mogelijke winst maximaliseren.
Het Optimaliseren van Onbalansmarkt Voorspellingen: Onze Innovatieve Aanpak
Binnen Het ConsultancyHuis zijn we bezig met het ontwikkelen van een platform waarin relevante informatie wordt opgeslagen die invloed zou kunnen hebben op de prijzen van de onbalansmarkten. Hierbij gaat het bijvoorbeeld om weersvoorspellingen, feestdagen of zelfs een sentimentanalyse van X (voorheen Twitter). Vervolgens wordt deze informatie gebruikt om AI-modellen te trainen en daarna te testen op de kracht om te voorspellen.
Aan de Slag met LSTM en XGBoost: “Onze Keuze voor Voorspellingsmodellen”
Op dit moment gebruiken we twee populaire modellen die veel potentie hebben: LSTM en XGBoost. Deze modellen hebben zich wijdverspreid bewezen en zijn vaak de gebruikte tool van winnaars in Kaggle wedstrijden. Hierbij wordt een rolling-window toegepast op de historische data zodat er mini-reeksen ontstaan waar het model de nieuwe waarde bij moet voorspellen. Bij het inzetten van deze modellen wordt sterk gekeken naar het optimaal tunen van de input features en hyperparameters. Maar, uitdaging is dat er heel veel knoppen zijn om aan te draaien. Zoals, hoe ver kijkt het model terug naar historische data om een voorspelling te maken? Wat is de learning-rate van het model, etc. Daarom, om tot een goede oplossing te komen, gebruiken we Bayesian Optimization om deze optimalisatie te doen. Het platform is zo opgezet dat er zonder handmatige input gezocht kan worden naar optimale oplossingen.
De linker figuur laat de huidige voorspelling zien voor prijsveranderingen op de aFRR-markt voor invoeden. De rechter grafiek is een ingezoomde weergave. In de rechter figuur is te zien dat sommige prijsveranderingen erg accuraat worden voorspeld, maar er is nog veel ruimte voor verbetering.
De Volgende Stappen: “Verbeteren van Voorspellingen en Begrip van Value Stacking”
Tot slot, de volgende stappen die we willen nemen zijn (1) het meenemen van complexere features voor de voorspelling, (2) het optimaliseren van de modelparameters en (3) live dashboarding van de resultaten. Het doel is tweeledig; enerzijds leren van de verschillende technieken omtrent voorspelmodellen, anderzijds te begrijpen hoe een optimale value stacking in de energiewereld tot stand komt. Domeinkennis en techniek komt hier samen; een goede weerspiegeling van Het ConsultancyHuis.
