Document Type : Research Paper
Authors
1 Faculty of Law, Management and Economics, Johannes Gutenberg University Mainz (JGU), Mainz, Germany
2 Faculty of Economics, Kharazmi University, Tehran, Iran
Abstract
The restructuring of Iranian electricity industry allowed electricity price to be determined through market forces in 2005. The main purpose of this paper is to present a method for modeling and forecasting the electricity prices based on complex features such as instability, nonlinear conditions, and high fluctuations in Iran during the spring 2013 and winter 2018. For this purpose, time-series data of the daily average electricity price was decomposed into one approximation series (low frequency) and four details series (high frequency) utilizing the wavelet transform technique. The approximation and details series are estimated and predicted by ARIMA and GARCH models, respectively. Then, the electricity price is predicted by reconstructing and composing the forecasted values of different frequencies as a proposed method (Wavelet-ARMA-GARCH). The results demonstrated that the proposed method has higher predictive power and can forecast volatility of electricity prices more accurately by taking into consideration different domains of the time-frequency; although, more errors are produced if the wavelet transform process is not used. The mean absolute percentage error values of the proposed method during spring 2017 to winter 2018 are significantly less than that of the alternative method, and the proposed method can better and more accurately capture the complex features of electricity prices.
Keywords
Main Subjects
Article Title [Persian]
مدلسازی و پیش بینی قیمت برق در ایران با استفاده از مدل گارچ بر پایه موجک
Authors [Persian]
- مجتبی پورقربان 1
- سیاب ممی پور 2
1 دانشکده حقوق ، مدیریت و اقتصاد ، دانشگاه یوهانس گوتنبرگ ماینتس (JGU) ، ماینتس ، آلمان
2 دانشکده اقتصاد، دانشگاه خوارزمی، تهران، ایران
Abstract [Persian]
پس از تجدید ساختار بازار برق ایران در سال 2005 ، قیمت برق توسط نیروهای حاکم بر بازار تعیین می‌شود. هدف اصلی این مقاله، ارایه روشی برای مدلسازی و پیش بینی قیمت برق براساس ویژگی‌های پیچیده آن همانند نامانایی، غیرخطی و نوسانات زیاد در ایران طی دوره زمانی بهار 2013 تا زمستان 2018 است. برای دست‌یابی به این هدف، با بهره‌گیری از ابزار تبدیل موجک داده‌های سری زمانی قیمت متوسط موزون روزانه بازار در ابعاد فرکانس – زمان به یک سری تقریبی (فرکانس پایین) و چهار سری جزییات (فرکانس بالا) تجزیه شده است. سری های تجزیه شده توسط مدلهای ARMA و GARCH برآورد و پیش بینی می شود و سپس قیمت برق با بازسازی و ترکیب مقادیر پیش بینی شده حاصل از فرکانس های مختلف به عنوان روش پیشنهادی (Wavelet-ARMA-GARCH) پیش بینی می شود. نتایج حاصل از مدل نشان می‌دهد مدل ارایه شده از قدرت پیش‌بینی بالاتری برخوردار است و قادر است رفتار نوسانی قیمت برق را با لحاظ ابعاد مختلف فرکانس-زمان با دقت بیشتری پیش‌بینی نماید؛ ولی عدم بهره‌گیری از تبدیل موجک منجر به افزایش خطای پیش‌بینی قیمت برق می‌شود.مقادیر میانگین درصد خطای مطلق برای روش پیشنهادی در طی بهار 2017 تا زمستان 2018 به طور قابل توجهی کمتر از روش جایگزین است و روش پیشنهادی می تواند ویژگی های پیچیده قیمت برق را بهتر و با دقت بیشتری تبیین نماید.
Keywords [Persian]
- قیمت برق
- پیش بینی
- نوسانات
- تبدیل موجک
- مدل ARMA-GARCH
Finance and Economics, 6(6), 213-222.
Bento, P., Pombo, J., Calado, M., & Mariano, S. J. A. E. (2018). A bat optimized
neural network and wavelet transform approach for short-term price
forecasting. Applied Energy, 210, 88-97.
Bollerslev, T. J. J. o. e. (1986). Generalized autoregressive conditional
heteroskedasticity. Journal of Econometrics, 31(3), 307-327.
Bourbonnais, R., & Meritet, S. (2007). Electricity spot price modelling:
Univariate time series approach. In The Econometrics of Energy Systems, 51-
74. Springer.
Bowden, N., & Payne, J. E. J. E. E. (2008). Short term forecasting of electricity
prices for MISO hubs: Evidence from ARIMA-EGARCH models. Energy
Economics, 30(6), 3186-3197.
Catalão, J. P. d. S., Mariano, S. J. P. S., Mendes, V., & Ferreira, L. J. E. P. S. R.
(2007). Short-term electricity prices forecasting in a competitive market: A
neural network approach. Electric Power Systems Research, 77(10), 1297-
1304.
Chang, Z., Zhang, Y., & Chen, W. (2019). Electricity price prediction based on
hybrid model of adam optimized LSTM neural network and wavelet
transform. Energy, 187, 115804.
Chen, H., Wan, Q., & Wang, Y. (2014). Refined Diebold-Mariano test methods
for the evaluation of wind power forecasting models. Energies, 7(7), 4185-
4198.
Conejo, A. J., Plazas, M. A., Espinola, R., & Molina, A. B. J. I. t. o. p. s. (2005).
Day-ahead electricity price forecasting using the wavelet transform and
ARIMA models. IEEE Transactions on Power Systems, 20(2), 1035-1042.
Contreras, J., Espinola, R., Nogales, F. J., & Conejo, A. J. J. I. t. o. p. s. (2003).
ARIMA models to predict next-day electricity prices. IEEE Transactions on
Power Systems, 18(3), 1014-1020.
Crowley, P. M. J. J. o. E. S. (2007). A guide to wavelets for economists. Journal
of Economic Surveys, 21(2), 207-267.
De Myttenaere, A., Golden, B., Le Grand, B., & Rossi, F. J. N. (2016). Mean
absolute percentage error for regression models. Neurocomputing, 192, 38-
48.
Dickey, D. A., & Fuller, W. A. J. J. o. t. A. s. a. (1979). Distribution of the
estimators for autoregressive time series with a unit root. Journal of the
American Statistical Association, 74(366a), 427-431.
Engle, R. F. J. E. J. o. t. E. S. (1982). Autoregressive conditional
heteroscedasticity with estimates of the variance of United Kingdom
inflation. Econometrica: Journal of the Econometric Society, 987-1007.
)