Slimmere voorspellingen, slimmere facturen: AI voor energie
- VicVandeput
door Abel Kempynck op 6 oktober 2024
Stijgende en enorm volatiele elektriciteitsprijzen zijn tegenwoordig de norm en bezorgen veel gezinnen kopzorgen. Het nauwkeurig voorspellen van deze prijzen kan veel voordelen opleveren en indien je slim energie gaat consumeren kun je er zelfs geld voor terugkrijgen! Ons onderzoek richtte zich op experimenteren met artificiële intelligentie (AI) in deze context en de vraag of AI een verbetering biedt t.o.v. traditionele statistische methoden. We onderzochten de uitdagingen van volatiele energiemarkten, de dataverwerking, de verschillen tussen traditionele statistiek en AI, en het potentieel van geavanceerde modellen zoals GPTs.
Volatiele energiemarkten
Uit Figuur 2 blijkt dat elektriciteitsprijzen de afgelopen jaren hun stabiliteit hebben verloren, enorm zijn gaan schommelen, maar vooral veel hoger zijn geworden. Deze trend wordt deels veroorzaakt door de introductie van hernieuwbare energiebronnen in het elektriciteitsnetwerk en zorgt ervoor dat het voorspellen van de prijzen een heuse uitdaging vormt. Voor een aantal dagen in de afgebeelde periode viel de energieprijs zelfs onder nul. D.w.z. dat–omwille van perioden van overaanbod–je als energieconsument met een dynamisch energiecontract zal worden betaald om energie te gebruiken!
“Amper 0,2 procent van de gezinnen heeft een energiecontract dat constant de prijsontwikkelingen op de energiebeurzen volgt.- 21 september 2024, De Tijd.”
Dataverwerking
Met de uitdagingen van volatiele energiemarkten in het achterhoofd, is het essentieel om de methoden voor dataverwerking te bespreken die nodig zijn voor nauwkeurige voorspellingen. We experimenteerden met verschillende configuraties op de data van de Belgische "EPEX spot market", een marktplaats waar beursleden hun orders plaatsen om een hoeveelheid elektriciteit te kopen of verkopen voor de volgende dag. Hierbij varieerden we o.b.v. externe variabelen, de hoeveelheid historische data en de lengte van het tijdsvenster. Ruwe data kunnen zelden direct worden gebruikt om een onderzoeksvraag te beantwoorden. Daarnaast is het vaak nodig om ze samen te vatten en verbanden tussen variabelen te onderzoeken. Bovendien is het niet altijd zeker of de data de werkelijkheid nauwkeurig weergeven. Algoritmes, zoals neurale netwerken of statistische methodes, helpen om verbanden te analyseren en bewijsmateriaal te kwantificeren, zodat vragen beter kunnen worden beantwoord.
Traditionele statistiek
Vroeger boden traditionele statistische methoden een oplossing voor het voorspellen van energieprijzen. Algoritmes zoals lineaire regressie bieden heel wat voordelen, ze zijn vrij eenvoudig te begrijpen en formuleren, je kunt duidelijk interpreteren hoe ze tot hun voorspellingen komen en zijn rekenkundig efficiënt.
Artificiële Intelligentie (AI)
Hoewel traditionele statistiek zijn waarde heeft bewezen, biedt de opkomst van AI nieuwe mogelijkheden die moeten worden onderzocht. AI behoort niet tot die traditionele statistische methoden. Aan de basis van AI liggen neurale netwerken. Dit type algoritme bestaat uit een netwerk van meerdere verticaal gerangschikte lagen van neuronen die met elkaar verbonden zijn en elk naar een niche deeltje van de data kunnen kijken. Het hele algoritme kan vervolgens worden geoptimaliseerd (bij optimalisatie wordt vaak de term “trainen” van een netwerk gebruikt) om met een bepaalde nauwkeurigheid een numerieke of alfabetische waarde te voorspellen. Voorbeelden zijn: het voorspellen van de kans op een frauduleuze transactie op basis van creditcarddata, het classificeren van objecten op een satellietbeeld, of het voorspellen van de elektriciteitsprijs per kilowattuur voor morgen, het doel van ons onderzoek.
Elke soort informatie die kan worden weergegeven met cijfers (ook taal en beelden kunnen worden omgezet in cijfers!) kan dienen als input voor een neuraal netwerk. Het is vervolgens aan jou om te bepalen op welke numerieke of alfabetische waarde je het netwerk wil trainen!
Wie trekt aan het langste eind?
Ons onderzoek naar het voorspellen van elektriciteitsprijzen met AI leverde gemengde resultaten op. Hoewel AI in bepaalde gevallen betere voorspellingen kon doen dan traditionele statistische methoden, stond daar een aanzienlijk nadeel tegenover: de rekentijd van AI was vaak tien keer langer. Bovendien vereist AI krachtige en dure hardware om deze berekeningen uit te voeren. In veel scenario’s bood traditionele statistiek vergelijkbare resultaten, maar dan sneller, eenvoudiger en goedkoper. AI trekt dus niet altijd aan het langste eind.
“Met een dynamisch contract komt het er dus op aan tegen de trend in stroom te verbruiken en te profiteren van de momenten waarop de prijs laag is. – 28 juni 2024, De Tijd.”
Super AI
We schonken ook aandacht aan een specifiek type AI-model, namelijk GPTs (of Generative Pretrained Transformers). Dit is de technologie die aan de basis ligt van de populaire chatbot ChatGPT. Het leent zich niet enkel voor tekstuele data, zoals bij ChatGPT, maar ook voor tijdreeksen zoals elektriciteitsprijzen, inflatiecijfers, aandelenprijzen... Nadat het model is getraind op een enorme hoeveelheid verschillende tijdreeksen, kan het nieuwe data genereren die lijken op wat het geleerd heeft. Dankzij deze uitgebreide bron van bekende data, kunnen GPTs met een goede nauwkeurigheid verschillende tijdreeksen voorspellen.
Dit is een belangrijke innovatie in het voorspellen van tijdreeksen, omdat er tot nu toe veel parameters onderzocht en verfijnd moesten worden om tot een goed resultaat te komen. Met GPTs is dit niet meer het geval; je bezorgt je tijdreeks aan het model en krijgt zonder verfijning een goede voorspelling. Uit ons onderzoek bleek zelfs dat GPTs, zonder de ruwe data op te schonen, in bepaalde gevallen betere resultaten behaalden dan traditionele statistische methoden, wat de mogelijkheden van AI onderstreept. Dit resultaat zorgde ervoor dat onze professoren statistiek en tijdreeksen zich even in de haren krabden over de vraag of ze hun job kunnen behouden.
Conclusie
De opkomst van AI en modellen zoals GPTs verandert de manier waarop we complexe vraagstukken, zoals het voorspellen van elektriciteitsprijzen, benaderen. Hoewel traditionele statistische methoden hun waarde blijven bewijzen, toont ons onderzoek dat AI potentieel heeft om nauwkeuriger te zijn, maar tegen een voorlopig erg hoge prijs, zowel in tijd als kosten. De indrukwekkende resultaten van GPTs, die zonder complexe verfijning robuuste voorspellingen kunnen leveren, markeren een verschuiving die niet alleen energiemarkten zal veranderen, maar ook de bredere wetenschappelijke gemeenschap dwingt om hun werkwijze te herzien. In deze dynamische toekomst lijkt technologie de troefkaart te zijn. De vraag is alleen: wie zet deze het slimst in?
Bibliografie
Bibliography
[1] Mousa Afrasiabi et al. “Multi-agent microgrid energy management based on deep
learning forecaster”. In: Energy 186 (Nov. 1, 2019), p. 115873. ISSN: 0360-5442.
DOI: 10.1016/j.energy.2019.115873. URL: https://www.sciencedirect.com/
science/article/pii/S0360544219315452 (visited on 04/17/2024).
[2] Anastasia Borovykh, Sander Bohte, and Cornelis W. Oosterlee. Conditional Time
Series Forecasting with Convolutional Neural Networks. Sept. 17, 2018. DOI:
10.48550/arXiv.1703.04691. arXiv: 1703.04691[stat]. URL: http://arxiv.
org/abs/1703.04691 (visited on 04/26/2024).
[3] Jason Brownlee. 4 Strategies for Multi-Step Time Series Forecasting. Machine-
LearningMastery.com. Mar. 7, 2017. URL: https://machinelearningmastery.
com/multi-step-time-series-forecasting/ (visited on 04/09/2024).
[4] Zihan Chang, Yang Zhang, and Wenbo Chen. “Effective Adam-Optimized LSTM
Neural Network for Electricity Price Forecasting”. In: 2018 IEEE 9th International
Conference on Software Engineering and Service Science (ICSESS). 2018 IEEE
9th International Conference on Software Engineering and Service Science (IC-
SESS). ISSN: 2327-0594. Nov. 2018, pp. 245–248. DOI: 10.1109/ICSESS.2018.
8663710. URL: https://ieeexplore.ieee.org/document/8663710 (visited on
04/17/2024).
[5] Zihan Chang, Yang Zhang, and Wenbo Chen. “Electricity price prediction based
on hybrid model of adam optimized LSTM neural network and wavelet transform”.
In: Energy 187 (Nov. 15, 2019), p. 115804. ISSN: 0360-5442. DOI: 10 . 1016 /
j . energy . 2019 . 07 . 134. URL: https : / / www . sciencedirect . com / science /
article/pii/S0360544219314768 (visited on 04/17/2024).
[6] Yiyuan Chen et al. “BRIM: An Accurate Electricity Spot Price Prediction Scheme-
Based Bidirectional Recurrent Neural Network and Integrated Market”. In: Ener-
gies 12.12 (Jan. 2019). Number: 12 Publisher: Multidisciplinary Digital Publish-
ing Institute, p. 2241. ISSN: 1996-1073. DOI: 10.3390/en12122241. URL: https:
//www.mdpi.com/1996-1073/12/12/2241 (visited on 04/17/2024).
[7] Jen-Tzung Chien. “Chapter 2 - Model-Based Source Separation”. In: Source
Separation and Machine Learning. Ed. by Jen-Tzung Chien. Academic Press,
Jan. 1, 2019, pp. 21–52. ISBN: 978-0-12-817796-9. DOI: 10.1016/B978- 0- 12-
804566-4.00013-9. URL: https://www.sciencedirect.com/science/article/
pii/B9780128045664000139 (visited on 04/15/2024).
58
[8] Radhakrishnan Angamuthu Chinnathambi et al. “Deep Neural Networks (DNN)
for Day-Ahead Electricity Price Markets”. In: 2018 IEEE Electrical Power and
Energy Conference (EPEC). 2018 IEEE Electrical Power and Energy Confer-
ence (EPEC). ISSN: 2381-2842. Oct. 2018, pp. 1–6. DOI: 10.1109/EPEC.2018.
8598327. URL: https://ieeexplore.ieee.org/abstract/document/8598327
(visited on 04/15/2024).
[9] Jilles De Blauwe. “Day-ahead Belgian electricity price forecasting, while account-
ing for volatility, extreme spikes and downstream utility”. PhD thesis.
[10] Francis X Diebold and Robert S Mariano. “Comparing Predictive Accuracy”. In:
Journal of Business & Economic Statistics 20.1 (Jan. 1, 2002). Publisher: Taylor
& Francis eprint: https://doi.org/10.1198/073500102753410444, pp. 134–144.
ISSN: 0735-0015. DOI: 10.1198/073500102753410444. URL: https://doi.org/
10.1198/073500102753410444 (visited on 04/29/2024).
[11] ENTSO-E Transparency Platform. URL: https : / / transparency . entsoe . eu/
(visited on 04/30/2024).
[12] Itamar Faran. CRPS — A Scoring Function for Bayesian Machine Learning Mod-
els. Medium. Jan. 28, 2023. URL: https://towardsdatascience.com/crps-a-
scoring- function- for- bayesian- machine- learning- models- dd55a7a337a8
(visited on 04/25/2024).
[13] Alex Gammerman, Volodya Vovk, and Vladimir Vapnik. Learning by Transduc-
tion. Jan. 30, 2013. DOI: 10 . 48550 / arXiv . 1301 . 7375. arXiv: 1301 . 7375[cs ,
stat]. URL: http://arxiv.org/abs/1301.7375 (visited on 04/18/2024).
[14] Raffaella Giacomini and Halbert White. “Tests of Conditional Predictive Ability”.
In: Econometrica 74.6 (2006). eprint: https://onlinelibrary.wiley.com/doi/pdf/10.1111/j.1468-
0262.2006.00718.x, pp. 1545–1578. ISSN: 1468-0262. DOI: 10.1111/j.1468-
0262.2006.00718.x. URL: https://onlinelibrary.wiley.com/doi/abs/10.
1111/j.1468-0262.2006.00718.x (visited on 04/29/2024).
[15] Tilmann Gneiting and Adrian E Raftery. “Strictly Proper Scoring Rules, Predic-
tion, and Estimation”. In: Journal of the American Statistical Association 102.477
(Mar. 2007), pp. 359–378. ISSN: 0162-1459, 1537-274X. DOI: 10.1198/016214506000001437.
URL: http://www.tandfonline.com/doi/abs/10.1198/016214506000001437
(visited on 04/25/2024).
[16] Prospero Events Group. Exploring the Bright Future of Electricity Price Fore-
casting Technology. URL: https : / / www . linkedin . com / pulse / exploring -
bright-future-electricity-price-forecasting-technology-sptrc (visited
on 05/05/2024).
[17] Hans Hersbach. “Decomposition of the Continuous Ranked Probability Score for
Ensemble Prediction Systems”. In: Weather and Forecasting 15.5 (Oct. 1, 2000).
Publisher: American Meteorological Society Section: Weather and Forecasting,
pp. 559–570. ISSN: 1520-0434, 0882-8156. DOI: 10 . 1175 / 1520 - 0434(2000 )
015<0559 : DOTCRP > 2 . 0 . CO ; 2. URL: https : / / journals . ametsoc . org / view /
journals / wefo / 15 / 5 / 1520 - 0434 _ 2000 _ 015 _ 0559 _ dotcrp _ 2 _ 0 _ co _ 2 . xml
(visited on 04/23/2024).
59
[18] Sepp Hochreiter and J ¨urgen Schmidhuber. “Long Short-Term Memory”. In: Neu-
ral Computation 9.8 (Nov. 1997). Conference Name: Neural Computation, pp. 1735–
1780. ISSN: 0899-7667. DOI: 10 . 1162 / neco . 1997 . 9 . 8 . 1735. URL: https :
//ieeexplore.ieee.org/abstract/document/6795963 (visited on 04/16/2024).
[19] Rob J. Hyndman and Anne B. Koehler. “Another look at measures of forecast
accuracy”. In: International Journal of Forecasting 22.4 (Oct. 1, 2006), pp. 679–
688. ISSN: 0169-2070. DOI: 10.1016/j.ijforecast.2006.03.001. URL: https:
//www.sciencedirect.com/science/article/pii/S0169207006000239 (visited
on 04/23/2024).
[20] Hyperparameter Optimization. Nixtla. URL: https://nixtlaverse.nixtla.io/
neuralforecast/examples/automatic_hyperparameter_tuning.html (visited
on 05/03/2024).
[21] Arkadiusz Jedrzejewski et al. “Electricity Price Forecasting: The Dawn of Ma-
chine Learning”. In: IEEE Power and Energy Magazine 20.3 (May 2022). Confer-
ence Name: IEEE Power and Energy Magazine, pp. 24–31. ISSN: 1558-4216.
DOI: 10 . 1109 / MPE . 2022 . 3150809. URL: https : / / ieeexplore . ieee . org /
document/9761111/citations#citations (visited on 01/04/2024).
[22] He Jiang, Yao Dong, and Jianzhou Wang. “Electricity price forecasting using
quantile regression averaging with nonconvex regularization”. In: Journal of Fore-
casting n/a (n/a). eprint: https://onlinelibrary.wiley.com/doi/pdf/10.1002/for.3103.
ISSN: 1099-131X. DOI: 10 . 1002 / for . 3103. URL: https : / / onlinelibrary .
wiley.com/doi/abs/10.1002/for.3103 (visited on 04/18/2024).
[23] LianLian Jiang and Guoqiang Hu. “Day-Ahead Price Forecasting for Electricity
Market using Long-Short Term Memory Recurrent Neural Network”. In: 2018
15th International Conference on Control, Automation, Robotics and Vision (ICARCV).
2018 15th International Conference on Control, Automation, Robotics and Vision
(ICARCV). Nov. 2018, pp. 949–954. DOI: 10.1109/ICARCV.2018.8581235. URL:
https://ieeexplore.ieee.org/document/8581235 (visited on 04/17/2024).
[24] Gaurav Kapoor and Nuttanan Wichitaksorn. “Electricity price forecasting in New
Zealand: A comparative analysis of statistical and machine learning models with
feature selection”. In: Applied Energy 347 (Oct. 1, 2023), p. 121446. ISSN: 0306-
2619. DOI: 10.1016/j.apenergy.2023.121446. URL: https://www.sciencedirect.
com/science/article/pii/S0306261923008103 (visited on 04/17/2024).
[25] Christopher Kath and Florian Ziel. “Conformal prediction interval estimation and
applications to day-ahead and intraday power markets”. In: International Journal
of Forecasting 37.2 (Apr. 1, 2021), pp. 777–799. ISSN: 0169-2070. DOI: 10.1016/
j.ijforecast.2020.09.006. URL: https://www.sciencedirect.com/science/
article/pii/S0169207020301473 (visited on 04/18/2024).
[26] Ping-Huan Kuo and Chiou-Jye Huang. “An Electricity Price Forecasting Model
by Hybrid Structured Deep Neural Networks”. In: Sustainability 10.4 (Apr. 2018).
Number: 4 Publisher: Multidisciplinary Digital Publishing Institute, p. 1280. ISSN:
2071-1050. DOI: 10 . 3390 / su10041280. URL: https : / / www . mdpi . com / 2071 -
1050/10/4/1280 (visited on 04/17/2024).
60
[27] Paul H. Kupiec. “Techniques for Verifying the Accuracy of Risk Measurement
Models”. In: The Journal of Derivatives 3.2 (Nov. 30, 1995), pp. 73–84. ISSN:
1074-1240, 2168-8524. DOI: 10 . 3905 / jod . 1995 . 407942. URL: http : / / pm -
research.com/lookup/doi/10.3905/jod.1995.407942 (visited on 04/23/2024).
[28] Jesus Lago. EPF Toolbox. 2020. URL: https://epftoolbox.readthedocs.io/
en/latest/modules/models.html.
[29] Jesus Lago, Fjo De Ridder, and Bart De Schutter. “Forecasting spot electricity
prices: Deep learning approaches and empirical comparison of traditional algo-
rithms”. In: Applied Energy 221 (July 1, 2018), pp. 386–405. ISSN: 0306-2619.
DOI: 10.1016/j.apenergy.2018.02.069. URL: https://www.sciencedirect.
com/science/article/pii/S030626191830196X (visited on 01/05/2024).
[30] Jesus Lago et al. “Forecasting day-ahead electricity prices in Europe: The impor-
tance of considering market integration”. In: Applied Energy 211 (Feb. 1, 2018),
pp. 890–903. ISSN: 0306-2619. DOI: 10.1016/j.apenergy.2017.11.098. URL:
https://www.sciencedirect.com/science/article/pii/S0306261917316999
(visited on 04/16/2024).
[31] Jesus Lago et al. “Forecasting day-ahead electricity prices: A review of state-
of-the-art algorithms, best practices and an open-access benchmark”. In: Ap-
plied Energy 293 (July 1, 2021), p. 116983. ISSN: 0306-2619. DOI: 10 . 1016 /
j.apenergy.2021.116983. URL: https://www.sciencedirect.com/science/
article/pii/S0306261921004529 (visited on 01/04/2024).
[32] Remy Lau. Cross-Entropy, Negative Log-Likelihood, and All That Jazz. Medium.
Mar. 10, 2022. URL: https : / / towardsdatascience . com / cross - entropy -
negative - log - likelihood - and - all - that - jazz - 47a95bd2e81 (visited on
05/09/2024).
[33] Shuman Luo and Yang Weng. “A two-stage supervised learning approach for
electricity price forecasting by leveraging different data sources”. In: Applied En-
ergy 242 (May 15, 2019), pp. 1497–1512. ISSN: 0306-2619. DOI: 10.1016/j.
apenergy . 2019 . 03 . 129. URL: https : / / www . sciencedirect . com / science /
article/pii/S0306261919305380 (visited on 04/16/2024).
[34] Katarzyna Maciejowska, Jakub Nowotarski, and Rafał Weron. “Probabilistic fore-
casting of electricity spot prices using Factor Quantile Regression Averaging”.
In: International Journal of Forecasting 32.3 (July 1, 2016), pp. 957–965. ISSN:
0169-2070. DOI: 10 . 1016 / j . ijforecast . 2014 . 12 . 004. URL: https : / / www .
sciencedirect . com / science / article / pii / S0169207014001848 (visited on
04/18/2024).
[35] Grzegorz Marcjasz et al. “Distributional neural networks for electricity price fore-
casting”. In: Energy Economics 125 (Sept. 1, 2023), p. 106843. ISSN: 0140-9883.
DOI: 10.1016/j.eneco.2023.106843. URL: https://www.sciencedirect.com/
science/article/pii/S0140988323003419 (visited on 04/18/2024).
[36] Shiro Matsumoto. Understand the capabilities of cyclic encoding. Medium. Jan. 18,
2024. URL: https://shrmtmt.medium.com/understand-the-capabilities-of-
cyclic-encoding-5b68f831387e (visited on 04/30/2024).
61
[37] Jakub Nowotarski and Rafal Weron. “Merging quantile regression with forecast
averaging to obtain more accurate interval forecasts of Nord Pool spot prices”. In:
11th International Conference on the European Energy Market (EEM14). 2014
11th International Conference on the European Energy Market (EEM). Krakow,
Poland: IEEE, May 2014, pp. 1–5. ISBN: 978-1-4799-6095-8. DOI: 10.1109/EEM.
2014.6861285. URL: http://ieeexplore.ieee.org/document/6861285/ (visited
on 04/18/2024).
[38] Jakub Nowotarski and Rafał Weron. “Computing electricity spot price prediction
intervals using quantile regression and forecast averaging”. In: Computational
Statistics 30.3 (Sept. 1, 2015), pp. 791–803. ISSN: 1613-9658. DOI: 10.1007/
s00180- 014- 0523- 0. URL: https://doi.org/10.1007/s00180- 014- 0523- 0
(visited on 04/17/2024).
[39] Jakub Nowotarski and Rafał Weron. “Recent advances in electricity price fore-
casting: A review of probabilistic forecasting”. In: Renewable and Sustainable
Energy Reviews 81 (Jan. 1, 2018), pp. 1548–1568. ISSN: 1364-0321. DOI: 10.
1016/j.rser.2017.05.234. URL: https://www.sciencedirect.com/science/
article/pii/S1364032117308808 (visited on 04/12/2024).
[40] Yvet Renkema, Nico Brinkel, and Tarek Alskaif. Conformal Prediction for Stochas-
tic Decision-Making of PV Power in Electricity Markets. Mar. 29, 2024. arXiv:
2403.20149[cs,eess,stat]. URL: http://arxiv.org/abs/2403.20149 (visited
on 04/09/2024).
[41] EPEX SPOT. About us — EPEX SPOT. URL: https://www.epexspot.com/en/
about (visited on 04/25/2024).
[42] EPEX SPOT. Basics of the Power Market — EPEX SPOT. URL: https://www.
epexspot.com/en/basicspowermarket (visited on 04/25/2024).
[43] EPEX SPOT. Exchange Members — EPEX SPOT. URL: https://www.epexspot.
com/en/exchangemembers (visited on 04/25/2024).
[44] EPEX SPOT. Market Data — EPEX SPOT. URL: https://www.epexspot.com/
en/market-data?market_area=AT&trading_date=2024-04-25&delivery_date=
2024-04-26&underlying_year=&modality=Auction&sub_modality=DayAhead&
technology = &product = 60 & data _ mode = aggregated & period = &production _
period= (visited on 04/25/2024).
[45] Tune Search Algorithms (tune.search) — Ray 2.20.0. URL: https://docs.ray.
io/en/latest/tune/api/suggestion.html (visited on 05/03/2024).
[46] Bartosz Uniejewski, Jakub Nowotarski, and Rafał Weron. “Automated Variable
Selection and Shrinkage for Day-Ahead Electricity Price Forecasting”. In: En-
ergies 9.8 (Aug. 2016). Number: 8 Publisher: Multidisciplinary Digital Publish-
ing Institute, p. 621. ISSN: 1996-1073. DOI: 10 . 3390 / en9080621. URL: https :
//www.mdpi.com/1996-1073/9/8/621 (visited on 04/22/2024).
[47] Bartosz Uniejewski and Rafał Weron. “Regularized quantile regression averaging
for probabilistic electricity price forecasting”. In: Energy Economics 95 (Mar. 1,
2021), p. 105121. ISSN: 0140-9883. DOI: 10.1016/j.eneco.2021.105121. URL:
https://www.sciencedirect.com/science/article/pii/S0140988321000268
(visited on 04/18/2024).
62
[48] Xiaolong Xie, Wei Xu, and Hongzhi Tan. “The Day-Ahead Electricity Price Fore-
casting Based on Stacked CNN and LSTM”. In: Intelligence Science and Big
Data Engineering. Ed. by Yuxin Peng et al. Cham: Springer International Pub-
lishing, 2018, pp. 216–230. ISBN: 978-3-030-02698-1. DOI: 10.1007/978-3-030-
02698-1_19.
[49] Maheen Zahid et al. “Electricity Price and Load Forecasting using Enhanced
Convolutional Neural Network and Enhanced Support Vector Regression in Smart
Grids”. In: Electronics 8.2 (Feb. 2019). Number: 2 Publisher: Multidisciplinary
Digital Publishing Institute, p. 122. ISSN: 2079-9292. DOI: 10.3390/electronics8020122.
URL: https://www.mdpi.com/2079-9292/8/2/122 (visited on 04/17/2024).
