Consiglio Nazionale delle Ricerche

Tipo di prodottoArticolo in rivista
TitoloBayesian deep learning based method for probabilistic forecast of day-ahead electricity prices
Anno di pubblicazione2019
Autore/iBrusaferri, Alessandro; Matteucci, Matteo; Portolani, Pietro; Vitali, Andrea
Affiliazioni autoriCNR-SIIMA, Milan, Italy; Politecnico di Milano, Milan, Italy
Autori CNR e affiliazioni
  • inglese
AbstractThe availability of accurate day-ahead energy prices forecasts is crucial to achieve a successful participation to liberalized electricity markets. Moreover, forecasting systems providing prediction intervals and densities (i.e. probabilistic forecasting) are fundamental to enable enhanced bidding and planning strategies considering uncertainty explicitly. Nonetheless, the vast majority of available approaches focus on point forecast. Therefore, we propose a novel methodology for probabilistic energy price forecast based on Bayesian deep learning techniques. A specific training method has been deployed to guarantee scalability to complex network architectures. Moreover, we developed a model originally supporting heteroscedasticity, thus avoiding the common homoscedastic assumption with related preprocessing effort. Experiments have been performed on two day ahead markets characterized by different behaviors. Then, we demonstrated the capability of the proposed method to achieve robust performances in out-of-sample conditions while providing forecast uncertainty indications.
Lingua abstractinglese
Altro abstract-
Lingua altro abstract-
Pagine da1158
Pagine a1175
Pagine totali18
RivistaApplied energy
Attiva dal 1975
Editore: Applied Science Publishers; [poi] Elsevier - London ; [poi] Amsterdam
Paese di pubblicazione: Regno Unito
Lingua: inglese
ISSN: 0306-2619
Titolo chiave: Applied energy
Titolo proprio: Applied energy
Titolo abbreviato: Appl. energy
Numero volume della rivista250
Fascicolo della rivista15
Verificato da refereeSì: Internazionale
Stato della pubblicazionePublished version
Indicizzazione (in banche dati controllate)
  • ISI Web of Science (WOS) (Codice:000482244000092)
  • Scopus (Codice:2-s2.0-85065593541)
Parole chiaveElectricity price forecasting, Probabilistic forecasting, Deep learning, Bayesian learning, Neural network
Link (URL, URI)
Titolo parallelo-
Scadenza embargo-
Data di accettazione-
Note/Altre informazioni-
Strutture CNR
  • STIIMA — Istituto di Sistemi e Tecnologie Industriali Intelligenti per il Manifatturiero Avanzato
Moduli/Attività/Sottoprogetti CNR-
Progetti Europei
Bayesian deep learning based method for probabilistic forecast of day-ahead electricity prices (documento privato )
Descrizione: Versione finale pubblicata
Tipo documento: application/pdf