Ц1 05

PROGNOZA CENA NA TRŽIŠTU ELEKTRIČNE ENERGIJE KORIŠĆENJEM

MAŠINSKOG UČENJA U PLEXOS SOFTVERU

STANKO VUJNOVIĆ, DANILO KOMATINA

Go2Power doo Beograd

BEOGRAD

SRBIJA

Kratak sadržaj — Mašinsko učenje je vrsta veštačke inteligencije koja upotrebljava

specijalizovane računarske algoritme za kreiranje modela zasnovanog na uzorcima
ulaznih podataka. Kad se ovaj model uspešno istrenira, on može da se koristi za
predviđanje neke veličine ili donošenje odluka bez da je eksplicitno programiran za tu
svrhu.
U ovom radu, mašinsko učenje je upotrebljeno za prognozu cena na tržištu električne
energije u Zapadnoj Australiji, gde se kao ulazni podaci koriste samo javno dostupni
podaci sa interneta. Ceo postupak je odrađen u PLEXOS-u koji počev od verzije 9.1
podržava mašinsko učenje. Pre svega se analiziraju dostupni podaci koji mogu biti od
uticaja za prognoziranje željene veličine, a kada se ulazni podaci usvoje, potrebno je iste
prilagoditi za upotrebu i kreirati bazu modela u PLEXOS-u. Zatim se vrši tzv.
„treniranje“ modela mašinskog učenja sa usvojenim uzorcima ostvarenih podataka, i
nakon uspešnog treniranja, model je spreman za prognozu izabrane veličine. Kao ulazni
podaci za prognozu uzeti su takođe već ostvareni podaci, kako bi rezultati zavisili samo
od kvaliteta modela mašinskog učenja bez uticaja grešaka prognoziranja. U radu će biti
prikazan postupak izbora optimalnih ulaznih podataka te promene u preciznosti modela
prilikom promene seta parametara korišćenih za treniranje modela.

Ključne reči — Veštačka inteligencija – Mašinsko učenje – PLEXOS – Prognoza – Cena

električne energije


Dečanska 21, Beograd, Srbija, stanko.vujnovic@go2power.eu
1 UVOD

Mašinsko učenje je vrsta veštačke inteligencije koja upotrebljava specijalizovane računarske

algoritme koji se mogu automatski poboljšati kroz iskustvo i upotrebu podataka. Algoritmi mašinskog
učenja kreiraju model zasnovan na uzorcima ulaznih podataka, koje još nazivamo podaci za treniranje,
kako bi onda istrenirani model mogao da predvidi neke veličine ili donese odluke bez da je eksplicitno
programiran za taj rad. Danas se algoritmi mašinskog učenja koriste u razne svrhe, kao što su medicina,
filtriranje e-pošte, prepoznavanje govora i kompjuterske vizije, gde je vrlo teško ili gotovo neizvodljivo
razviti konvencionalne algoritme.
Tema ovog rada je upotreba mašinskog učenja za prognozu cena na tržištu električne energije. Kao
primer uzeto je Tržište električne energije u Zapadnoj Australiji (eng. Wholesale Energy Market, WEM)
kojim upravlja Australijski operator tržišta električne energije (eng. Australian Energy Market Operator,
AEMO).
WEM omogućava veleprodaju električne energije između prodavaca i kupaca unutar
elektroenergetskog sistema koji se naziva Jugozapadni povezani sistem (eng. South West Interconnected
System, SWIS). SWIS je potpuno izolovan sistem od ostatka Australije koga karakteriše povećano
opterećenje tokom leta (od decembra do februara). Maksimalno vršno opterećenje od 4006 MW
zabeleženo je 8. februara 2016. godine, a minimalno opterećenje od 761 MW je zabeleženo 14.
novembra 2021. Trenutno je u WEM-u registrovano 70 proizvodnih objekata i na Slici 1 su sumarno
prikazani njihovi instalisani kapaciteti i procenat godišnje proizvodnje po tipovima izvora.

Slika 1 – Instalisani kapacitet i procenat godišnje proizvodnje po tipovima izvora

U Zapadnoj Australiji, najveći deo energije se trguje van tržišta kojim upravlja AEMO, preko
bilateralnih ugovora direktno između kupaca i proizvođača, ali svoje bilateralne pozicije učesnici mogu
da izmene na tržištima kojim upravlja AEMO. WEM se sastoji od dva tržišta za električnu energiju:
Kratkoročno tržište za električnu energiju (eng. Short Term Energy Market, STEM) i Balansno tržište
(eng. Balancing Market, BM). STEM je tržište za dan-unapred na kome kupci i proizvođači mogu da
modifikuju svoje ugovorene bilateralne pozicije, dok je BM unutar-dnevno tržište gde se trguju razlike
između stvarnih pozicija i pozicija sa STEM tržišta. BM je definisano po „gross-pool” principu sa 30-
minutnim vremenskim intervalima i rotirajućim zatvaranjem ponuda 90 minuta pre početka svakog
intervala, a gde svaki proizvodni objekat mora da ponudi svoj ukupan kapacitet. Na osnovu dostavljenih
ponuda, AEMO sprovodi ekonomsku raspodelu opterećenja (eng. economic dispatch) sa kliring cenom
koja predstavlja balansnu cenu električne energije, i upravo ona je predmet prognoziranja upotrebom
mašinskog učenja. Okvirni vremenski dijagram trgovanja električnom energijom u Zapadnoj Australiji
je predstavljen na Slici 2.
 Slika 2 – Vremenski dijagram trgovanja el. energijom u Zapadnoj Australiji

Ceo postupak mašinskog učenja se može podeliti na sledeća četiri potprocesa:

➢ Izbor i priprema ulaznih podataka – Analiziraju se dostupni podaci koji mogu biti od uticaja za
prognozu izabrane veličine. Ukoliko je neophodno, vrši se i dodatna obrada podataka u formate
prilagođene za PLEXOS.
➢ Modelovanje u PLEXOS-u – Izrada baze modela u PLEXOS-u koja se koristi i za treniranje
modela i za upotrebu istreniranog modela za prognoziranje.
➢ Treniranje modela pripremljenim ulaznim podacima – Nakon pokretanja simulacije sa
ostvarenim ulaznim podacima u PLEXOS-u, u njegovom rešenju se vrši treniranje modela.
➢ Upotreba istreniranog modela za prognoziranje izabrane veličine – Nakon ponovnog pokretanja
simulacije u PLEXOS-u, ali sa prognoziranim ulaznim podacima i istreniranim modelom
mašinskog učenja, u njegovom rešenju se ispisuju vrednosti prognozirane veličine.

Na osnovu usvojenih ulaznih podataka kao što su „Proizvodnja iz obnovljivih izvora“,

„Neraspoloživost proizvodnih kapaciteta“, „Raspoloživost proizvodnih kapaciteta“, „Konzum“, i na
kraju „Cena električne energije“ kao veličina koje se prognozira, definisano je 5 različitih modela za
mašinsko učenje. Svaki od modela je testiran i dobijeni rezultati su predstavljeni i upoređeni grafički u
odnosu na ostvarene cene.

2 IZBOR I PRIPREMA ULAZNIH PODATAKA

Ključni ulazni podatak je onaj koji je izabran za predviđanje, a u ovom slučaju to je cena električne
energije. Za izbor ostalih ulaznih podataka ključna su dva faktora:

1. Da imaju uticaj na veličinu koja se predviđa odnosno cenu električne energije,

2. Da su dostupna ostvarenja svih ulaznih podataka u posmatranog vremenskom okviru.

U naredim odeljcima su opisani svi izabrani ulazni podaci i potrebne obrade na sirovim podacima kako
bi se mogli upotrebiti za treniranje modela mašinskog učenja u PLEXOS-u.

2.1 „Cena električne energije“

Kao što je već spomenuto, ovaj ulazni podatak je specifičan jer je izabran za veličinu koja se
predviđa, ali i njegove ostvarene vrednosti moraju biti dostavljene kod treniranja modela. Ostvarene
cene električne energije su javno dostupni podaci i mogu se preuzeti sa AEMO veb sajta za tržišne
podatke* iz odeljka „Balancing Market Summary”. Sirovi podaci su smešteni u tekstualne datoteke CSV
formata, za svaku godinu od početka rada BM (1. jul 2012) i za svaki interval od 30 minuta. Iz ovih
datoteka se vrlo lako mogu formirati CSV datoteke koje su direktno čitljive u PLEXOS-u.

2.2 „Konzum“

Veličina na koju se prvo pomisli da ima uticaj na cenu električne energije je „Konzum“. Ostvarene
vrednosti konzuma su izračunate kao sume ostvarenih proizvodnji svih proizvodnih objekata koje se
mogu preuzeti sa AEMO veb sajta za tržišne podatke iz odeljka “Facility SCADA”. Zbog ogromne
veličine, podaci su spakovani u CSV datoteke za svaki mesec. Koristeći „Power Query” alat u Excel-u,

*
https://www.aemo.com.au/energy-systems/electricity/wholesale-electricity-market-wem/data-wem/market-
data-wa
od mesečnih datoteka su formirane objedinjene CSV datoteke za svaku fiskalnu godinu u „Datetime”
formatu (format CSV datoteke podržan u PLEXOS-u gde su u prvoj koloni ispisani vremenski intervali
definisani kao datum + vreme), gde su ostvarenja za svaki proizvodni objekat upisana po kolonama, a
poslednja kolona je rezervisana za ukupan konzum i predstavlja sumu proizvodnje svih proizvodnih
objekata za svaki interval od 30 minuta. Iz ovako formiranih datoteka se onda lako može sačuvati CSV
datoteka za konzum spremna za povezivanje sa PLEXOS-om.

2.3 „Proizvodnja iz obnovljivih izvora“

Ostvarene proizvodnje iz obnovljivih izvora se mogu lako dobiti iz objedinjenih CSV datoteka iz
prethodnog odeljka, tako što se vrednosti po intervalima sabiraju posebno za vetroelektrane i solarne
elektrane. Dobijene vrednosti se zatim sačuvaju u nove CSV datoteke koje mogu da se koriste u
PLEXOS-u.

2.4 „Neraspoloživost proizvodnih kapaciteta“

Budući da se radi o ostvarenjima, neraspoloživi proizvodni kapaciteti uključuju sve planirane zastoje
i neplanirane ispade. Ovi podaci se mogu skinuti sa AEMO veb sajta za tržišne podatke iz odeljka
„Outages”, kao CSV datoteke za svaku kalendarsku godinu. Vrednosti neraspoloživih kapaciteta su u
ovim datotekama definisani po proizvodnim objektima i vremenskim intervalima od 30 minuta, i to u
dva različita tipa: „Ex-Ante Outage” – vrednosti prijavljene pre početka vremenskog intervala; i „Ex-
Post Outage" – prave ostvarene vrednosti koje su dostavljene naknadno i upravo one su usvojene kao
ulazni podatak za treniranje modela mašinskog učenja. Za obradu sirovih podataka mora se upotrebiti
Excel-ov „Power Query” alat, kojim se podaci sabiraju za svaku komponentu neraspoloživosti (mogu
biti planirani, prinuđeni i posledični) i prikazuju u „Datetime” formatu sa kolonama za svaki proizvodni
objekat. Zatim se iz ove datoteke formiraju dve CSV datoteke za PLEXOS, jedna sa ukupnim
neraspoloživim kapacitetom za ceo sistem i druga sa neraspoloživim kapacitetima sabranim po
različitim tehnologijama proizvodnje (ugalj, gas, dizel itd.).

2.5 „Raspoloživost proizvodnih kapaciteta“

Ideja da se definiše ovaj ulazni parametar je da se u proračun uključi i podatak o instalisanom

kapacitetu po tehnologijama proizvodnje. Zbog toga je „Raspoloživost proizvodnih kapaciteta“
usvojena kao ulazna veličina koja je definisana kao razlika „Instalisanog kapaciteta“ i „Neraspoloživosti
proizvodnih kapaciteta“ iz prethodnog odeljka. Vrednosti instalisanih kapaciteta pojedinih proizvodnih
objekata su preuzeti sa AEMO veb sajta za tržišne podatke iz odeljka „Facilities”, a informacije o ulasku
novoizgrađenih i gašenju postojećih proizvodnih objekata su prikupljene iz datoteka za ostvarene
proizvodnje svih proizvodnih objekata iz odeljka 2.2. Korišćenjem prostih operacija u Excel-u,
formirane su CSV datoteke za PLEXOS, gde su vrednosti „Raspoloživosti proizvodnih kapaciteta“
definisane po različitim tehnologijama proizvodnje za svaki vremenski interval od 30 minuta.

2.6 Cena prirodnog gasa

Ostvarene prosečne mesečne cene za prirodni gas u Zapadnoj Australiji su preuzete sa Gas Trading
Australia Pty Ltd veb sajta†. Ovaj podatak je usvojen kao ulazni tek nakon svih ostalih ulaznih podataka
jer se pokazalo da može imati značajan uticaj na cene električne energije, budući da su vršne elektrane
u Zapadnoj Australiji uglavnom na prirodni gas.

3 MODELOVANJE U PLEXOS-u

Nakon što su izabrani svi ulazni parametri koji će se koristiti za mašinsko učenje i kreirane
odgovarajuće ulazne CSV datoteke za PLEXOS, može se pristupiti i izradi baze modela u PLEXOS-u.
Budući da za mašinsko učenje u PLEXOS-u nije potrebno pokretati klasičnu matematičku

†
https://www.gastrading.com.au/
optimizacionu simulaciju, već simulaciju u „dry run“ režimu gde se samo ulazni podaci prosleđuju
direktno u PLEXOS rešenje, dovoljno je kreirati vrlo jednostavnu bazu modela u PLEXOS-u sa
osnovnim objektima, relacijama i svojstvima potrebnim samo za prosleđivanje ovih podataka. U
sledećim odeljcima biće detaljnije objašnjeni upotrebljeni objekti i svojstva, kao i njihove relacije sa
drugim objektima.

3.1 Generatori

Definisano je ukupno 6 generatora za svaku tehnologiju proizvodnje kao što se vidi na Slici 3. Svi
generatori su pridruženi jedinom čvoru nazvanom „WEM“ (ova relacija mora biti definisana da bi
generatori bili povezani na sistem), dok je samo generator „Gas“ povezan i sa istoimenim objektom za
gorivo.

Slika 3 – Generatori u bazi modela u PLEXOS-u

Na Slici 4 prikazana su svojstva koja su upotrebljena za jedan generator. Radi se o 3 različita svojstva:
„Units” i „Max Capacity” kao svojstva koja se moraju definisati za svaki generator; i „Rating” kao
svojstvo koje je upotrebljeno za prosleđivanje ulaznih podataka u PLEXOS rešenje, nakon pokretanja
simulacije. Kao što se može primetiti, svojstvo „Rating” je upotrebljeno za više različitih ulaznih
podataka korišćenjem odgovarajućih „Data File“ objekata i pridruženih „Scenarija“, koji su zatim
uključeni u različite simulacione modele i odgovarajuće modele za mašinsko učenje. Ulazni podaci
vezani za generatore su „Proizvodnja iz obnovljivih izvora“, „Neraspoloživost“ i „Raspoloživost
proizvodnih kapaciteta“.

Slika 4 – Svojstva generatora u bazi modela u PLEXOS-u

3.2 Goriva

Kao što je već napomenuto, kreiran je samo jedan objekat za gorivo pod nazivom „Gas“ koji je
pridružen generatoru „Gas“. Na Slici 5 prikazana su svojstva koja su upotrebljena za ovaj objekat.
Svojstvo „Units” koje služi za uključivanje i isključivanje ovog objekta iz simulacije korišćenjem
odgovarajućih scenarija, i svojstvo „Price“ upotrebljeno za prosleđivanje cena prirodnog gasa kao
ulaznog podatka za mašinsko učenje.

Slika 5 – Gorivo i njegova svojstva u bazi modela u PLEXOS-u

3.3 Region

Region je objekat koji se mora definisati za svaku bazu modela u PLEXOS-u. Generatori su uključeni
u region „WEM“ preko jedinog čvora „WEM“, jer je uspostavljena relacija između ovog čvora i regiona.
Na Slici 6 su prikazana svojstva koja su upotrebljena za ovaj objekat. Svojstvo „Load” je upotrebljeno
za prosleđivanje vrednosti konzuma, a svojstvo „Price“ je upotrebljeno za prosleđivanje ostvarenih cena
električne energije za treniranje modela mašinskog učenja.

Slika 6 – Region i njegova svojstva u bazi modela u PLEXOS-u

3.4 Čvorovi

Jedan čvor „WEM“ je kreiran samo da bi se generatori povezali na sistem odnosno region „WEM“ i
nije bilo potrebe za definisanjem svojstava za ovaj objekat.

3.5 Datoteke za podatke

„Data File“ objekti služe za povezivanje ulaznih CSV datoteka, pripremljenih u poglavlju 2, sa
bazom modela u PLEXOS-u. Na Slici 7 prikazani su neki od ovih objekata, dok je na Slici 8 prikazano
kako je jedan od ovih objekata povezan sa spoljnom datotekom upotrebom svojstva „Filename”.
 Slika 7 – Datoteke za podatke u bazi modela u PLEXOS-u

Slika 8 – Svojstva Datoteka za podatke u bazi modela u PLEXOS-u

3.6 Varijable

Kod modelovanja mašinskog učenja u PLEXOS-u, ovaj objekat se koristi za povezivanje

istreniranog modela za mašinsko učenje sa bazom modela u PLEXOS-u. Za mašinsko učenje dovoljna
je jedna varijabla koja je nazvana „ML Price Forecast” i na Slici 9 su prikazana upotrebljena svojstva
za ovaj objekat. Svojstvo „Sampling Method” postavljeno na vrednost „None“ znači da se ova varijabla
ne koristi za modelovanje stohastike, dok svojstvo „Profile“ u slučaju mašinskog učenja predstavlja
lokaciju i naziv datoteke koja sadrži istrenirani model za mašinsko učenje. Model ne mora biti kreiran
u PLEXOS-u, može se koristi i model kreiran u Microsoft Visual Studio, potrebno je samo povezati
spoljnu datoteku sa varijablom.

Slika 9 – Varijabla i njena svojstva u bazi modela u PLEXOS-u

3.7 Scenariji

Scenariji su definisani za svaki simulacioni model kako bi se u ove modele uključili samo određeni
objekti i svojstva, odnosno određene kombinacije ulaznih podataka kod modela za treniranje ili
potrebnih ulaznih podataka kod modela za prognozu.

3.8 Simulacioni modeli

Kad se završi sa modelovanjem u „System” tabu, može se krenuti sa definisanjem različitih

simulacionih modela u „Simulation” tabu. Na osnovu izvršenih analiza uticaja različitih kombinacija
ulaznih podataka na rezultate, definisano je 5 različitih modela za treniranje:
 1. 01-Training – gde su ulazne veličine „Proizvodnja iz obnovljivih izvora“, „Konzum“ i „Cena
el. energije“;
2. 01-Training w/ AO – gde su ulazne veličine ukupna „Neraspoloživost proizvodnih kapaciteta“,
„Proizvodnja iz obnovljivih izvora“, „Konzum“ i „Cena el. energije“;
3. 01-Training w/ OByT – gde su ulazne veličine „Neraspoloživost proizvodnih kapaciteta po
tehnologijama“, „Proizvodnja iz obnovljivih izvora“, „Konzum“ i „Cena el. energije“;
4. 01-Training w/ ACByT – gde su ulazne veličine „Raspoloživost proizvodnih kapaciteta po
tehnologijama“, „Proizvodnja iz obnovljivih izvora“, „Konzum“ i „Cena el. energije“
5. 01-Training w/ GP&ACByT – gde su ulazne veličine „Cena prirodnog gasa“, „Raspoloživost
proizvodnih kapaciteta po tehnologijama“, „Proizvodnja iz obnovljivih izvora“, „Konzum“ i
„Cena el. energije“.

Svakom modelu za treniranje odgovara po jedan model za prognozu:

1. 02-Forecast – gde su ulazni podaci ostvarena „Proizvodnja iz obnovljivih izvora“ i ostvareni

„Konzum“;
2. 02-Forecast w/ AO – gde su ulazni podaci ukupna ostvarena „Neraspoloživost proizvodnih
kapaciteta“, ostvarena „Proizvodnja iz obnovljivih izvora“ i ostvareni „Konzum“;
3. 02-Forecast w/ OByT – gde su ulazni podaci ostvarena „Neraspoloživost proizvodnih
kapaciteta po tehnologijama“, ostvarena „Proizvodnja iz obnovljivih izvora“ i ostvareni
„Konzum“.
4. 02-Forecast w/ ACByT – gde su ulazni podaci ostvarena „Raspoloživost proizvodnih
kapaciteta po tehnologijama“, ostvarena „Proizvodnja iz obnovljivih izvora“ i ostvareni
„Konzum“;
5. 02-Forecast w/ GP&ACByT – gde su ulazni podaci za ostvarena „Cena prirodnog gasa“,
ostvarena „Raspoloživost proizvodnih kapaciteta po tehnologijama“, ostvarena „Proizvodnja iz
obnovljivih izvora“ i ostvareni „Konzum“.

Kao što se može primetiti, kao ulazni podaci za modele za prognozu se isto koriste ostvareni podaci.
Razlog ovome je da se iz proračuna eliminišu greške u prognozi ulaznih veličina i da rezultati mašinskog
učenja zavise samo od kvaliteta modela mašinskog učenja. Takođe, modelima za prognozu nije potrebno
dostaviti ostvarene „Cene el. energije“ jer je ta veličina izabrana za prognozu, ali ipak ove cene se mogu
pasivno povezati sa modelima za prognozu kako bi se u PLEXOS rešenju mogle upotrebiti za direktno
poređenje sa prognoziranim cenama. Na Slici 10 su prikazani svi spomenuti modeli za treniranje i
prognozu raspoređeni po odgovarajućim kategorijama u PLEXOS-u.

Slika 10 – Simulacioni modeli za treniranje i prognozu po kategorijama

 Na Slici 11 su prikazani objekti koji su pridruženi jednom od simulacionih modela i koji definišu
podešenja vezano za simulaciju. Scenariji su već objašnjeni u prethodnom odeljku, a u sledećim
odeljcima su opisani neki od ovih objekata čija podešenja se moraju izmeniti u odnosu na
podrazumevana.

Slika 11 – Objekti pridruženi simulacionom modelu

3.9 Horizont

Ovaj objekat definiše vremenski okvir i rezoluciju simulacije. Za treniranje je definisan vremenski
okvir od 1. jula 2020 do 31. oktobra 2022 (28 meseci), dok je za prognozu definisan vremenski okvir
od 1. novembra 2022 do 30. novembra 2022. Takođe, urađena je i dodatna analiza za prognozu koja
obuhvata vremenski okvir od 1. decembra 2022 do 31. decembra 2022 gde je model istreniran na
podacima od 01. jula 2022 do 30. novembra 2022 (29 meseci) ali on neće biti detaljno objašnjen jer je
postupak identičan kao u prethodnom slučaju. Iz ove analize biće prikazani samo neki od rezultata u 5.
poglavlju. U svim simulacijama definisana je rezolucija od 30 minuta za vremenski interval, a dodatna
opcija je i da svaki dan na tržištu električne energije počinje od 08:00 časova. Na Slici 12 prikazana su
podešenja Horizonta za simulacione modele za trening.

Slika 12 – Podešenja Horizonta za simulacione modele za trening

3.10 Izveštaji

U „Report” objektu se definišu opcije vezano za prikaz rezultata simulacije u PLEXOS rešenju, i u
ovom slučaju ovde je najbitnije uključiti izveštavanje za svojstva koja se koriste za prosleđivanje ulaznih
podataka. Za generatore to je svojstvo „Rating“, za region to su svojstva „Load“ i „Price“, i za gorivo
to je samo „Price“ (Slika 13).

Slika 13 – Uključenje izveštavanja za svojstvo „Price“ kod goriva u „Report“ objektu

4 TRENIRANJE MODELA

Nakon pokretanja svakog simulacionog modela za treniranje, potrebno je otvoriti PLEXOS rešenje
u kome se izaberu svi ulazni podaci za treniranje modela, tako što se jedan po jedan prebace u „ML
Grid” kao što je prikazano na Slici 14.

Slika 14 – Prebacivanje ulaznih podataka u „ML Grid“ u PLEXOS rešenju

Kad su svi potrebni ulazni podaci nalaze u „ML Grid-u”, potrebno je još izabrati vremenska
podešenja za mašinsko učenje. Za treniranje svih 5 modela izabrana su ista vremenska podešenja, prvo
za mesec, pa za dan u sedmici i na kraju za svaki 30-minutni period (Slika 15).
 Slika 15 – Vremenska podešenja na ML Grid-u u PLEXOS rešenju

Ovo znači da će algoritmi mašinskog učenja tražiti korelaciju i šablone samo onih ulaznih podataka koji
pripadaju istom mesecu u godini, istom danu u sedmici i istom 30-minutnom intervalu u tom danu.
Pritiskom na dugme Train… otvara se prozor sa postavkama za treniranje modela mašinskog učenja
koji je prikazan na Slici 16.

Slika 16 – Postavke za treniranje modela mašinskog učenja

Na ovom prozoru potrebno je izabrati putanju i naziv datoteke gde će biti sačuvan istrenirani model,
veličinu koja se prognozira, i vreme trajanja treniranja. Za sve modele usvojeno vreme treniranja je 900
sekundi, a veličina za prognozu je uvek „Cena el. energije“ odnosno cena regiona u PLEXOS rešenju.
Pritiskom na dugme „Train” pokreće se treniranje modela mašinskog učenja, a kada je treniranje
završeno, istrenirani model se snima na definisanu lokaciju. Na Slici 17 prikazani su rezultati treniranja
u vidu raznih parametara od kojih se izdvaja „R-squared” koji predstavlja parametar kvaliteta treniranja
modela (u idealnom slučaju ima vrednost 1).
 Slika 17 – Rezultati treniranja modela mašinskog učenja

U ovom trenutku, PLEXOS radi sa 3 različita algoritma za mašinsko učenje (koje možete videti na
slici iznad): „LightGbmRegression“, „FastTreeRegression“ i „FastTreeTweedieRegression“. Kao što
se može zaključiti iz njihovih imena, sva tri su zasnovana na regresiji:

1. LightGbmRegression – nudi brz i efikasan okvir za gradijentno pojačavanje koje se koristi za

regresione zadatke sa velikim i višedimenzionalnim skupovima podataka.
2. FastTreeRegression – zasnovan je na stablima odlučivanja ali je dizajniran da bude brži i
efikasniji od drugih algoritama iste vrste. Može se koristiti za zadatke predviđanja i
klasifikacija, kako sa malim, tako i sa velikim skupovima podataka.
3. FastTreeTweedieRegression – varijanta prethodnog algoritma specijalizovana za rad sa
podacima sa „Tweedie“ distribucijom (značajno učešće podataka sa nultom vrednošću).

5 PROGNOZIRANJE UPOTREBOM MODELA MAŠINSKOG UČENJA

Kao i kod treniranja, prvo je potrebno pokrenuti simulacioni model za prognozu i otvoriti PLEXOS
rešenje. U PLEXOS rešenju, prognozirane „Cene el. energije“ dobijene modelom mašinskog učenja se
nalaze pod svojstvom „Value” varijable „ML Price Forecast”. Takođe, u rezultatima je moguće izabrati
i svojstvo „Price“ regiona „WEM“, koji u ovom slučaju predstavlja ostvarene cene na BM pa može
poslužiti za poređenje sa prognoziranim cenama (Slika 18).
 Slika 18 – Rezultati prognoze modela mašinskog učenja u PLEXOS rešenju

6 REZULTATI

U narednom tekstu biće prikazana poređenja prognoziranih cena sa ostvarenim BM cenama na

dijagramima za svaki pojedinačni model mašinskog učenja, a na kraju i sumarni rezultati u vidu
uporedne analize numeričkih parametara pojedinačnih modela.

6.1 Model #1 – Prognoza bez „Neraspoloživosti proizvodnog kapaciteta“

Na Slikama 19 i 20 su prikazana poređenja prognozirane i ostvarene cene za ovaj model. Prosečna

relativna greška za ovaj model je 0.58.

Slika 19 – Poređenje prognozirane i ostvarene cene u vremenskoj zavisnosti

 Slika 20 – Poređenje prognozirane i ostvarene cene kao krive trajanja

6.2 Model #2 – Prognoza sa ukupnom „Neraspoloživošću proizvodnih kapaciteta“

Na Slikama 21 i 22 su prikazana poređenja prognozirane i ostvarene cene za ovaj model. Prosečna

relativna greška za ovaj model je 0.452.

Slika 21 – Poređenje prognozirane i ostvarene cene u vremenskoj zavisnosti

 Slika 22 – Poređenje prognozirane i ostvarene cene kao krive trajanja

6.3 Model #3 – Prognoza sa „Neraspoloživošću proizvodnih kapaciteta po tehnologijama“

Na Slikama 23 i 24 su prikazana poređenja prognozirane i ostvarene cene za ovaj model. Prosečna

relativna greška za ovaj model je 0.376.

Slika 23 – Poređenje prognozirane i ostvarene cene u vremenskoj zavisnosti

 Slika 24 – Poređenje prognozirane i ostvarene cene kao krive trajanja

6.4 Model #4 – Prognoza sa „Raspoloživošću proizvodnih kapaciteta po tehnologijama“

Na Slikama 25 i 26 su prikazana poređenja prognozirane i ostvarene cene za ovaj model. Prosečna

relativna greška za ovaj model je 0.361.

Slika 25 – Poređenje prognozirane i ostvarene cene u vremenskoj zavisnosti

 Slika 26 – Poređenje prognozirane i ostvarene cene kao krive trajanja

6.5 Modeli #01-04 – Prognoza za decembar 2022

Kada su na internetu objavljeni svi ostvareni podaci za decembar 2022, odlučili smo da isprobamo
mašinsko učenje i na ovom mesecu. Na Slikama 27-30 su prikazana poređenja prognozirane i ostvarene
cene u decembru 2022 za prvi četiri modela kao krive trajanja. Sa grafika se može primetiti da su
odstupanja cena u decembru 2022 primetno veća nego u novembru 2022.

Slika 27 – Model #1 - Poređenje prognozirane i ostvarene cene kao krive trajanja za decembar 2022
Slika 28 – Model #2 - Poređenje prognozirane i ostvarene cene kao krive trajanja za decembar 2022

Slika 29 – Model #3 - Poređenje prognozirane i ostvarene cene kao krive trajanja za decembar 2022
 Slika 30 – Model #4 - Poređenje prognozirane i ostvarene cene kao krive trajanja za decembar 2022

6.6 Model #5 – Prognoza sa „Cenama za prirodni gas“ i „Raspoloživošću proizvodnih kapaciteta

po tehnologijama“

Pokušali smo odgonetnuti šta je uzrok većih odstupanja u decembru u odnosu na novembar, i
istraživajući po internetu došli smo do saznanja da je tokom decembra došlo do naglog povećanja cene
prirodnog gasa u Zapadnoj Australiji. Zbog toga je odlučeno da se kreira i model #5 sa ulaznim
podatkom u vidu prosečnih mesečnih cena za prirodni gas, koji je jedino javno dostupni podatak o ceni
gasa na internetu. Na Slikama 31-34 su prikazana poređenja prognozirane i ostvarene cene za ovaj model
u decembru 2022 i novembru 2022.

Slika 31 – Poređenje prognozirane i ostvarene cene u vremenskoj zavisnosti za decembar 2022

 Slika 32 – Poređenje prognozirane i ostvarene cene kao krive trajanja za decembar 2022

Slika 33 – Poređenje prognozirane i ostvarene cene u vremenskoj zavisnosti za novembarr 2022

 Slika 34 – Poređenje prognozirane i ostvarene cene kao krive trajanja za novembar 2022

Kao što se može primetiti, ova ulazna veličina je značajno popravila rezultate za decembar 2022, dok
su rezultati za novembar 2022 ostali na nivou prethodnog modela. Verovatno su nagle promene cena
prirodnog gasa u decembru 2022 uticale na promenu ponašanja učesnika na tržištu u vidu promena
profila ponude.
Prosečna relativna greška za ovaj model u decembru je 0.461, dok je za novembar 2022 jednaka 0,37.

6.7 Uporedni prikaz numeričkih parametara kvaliteta treniranja i prognoze

Kao numerički parametar kvaliteta treniranja modela za mašinsko učenje već je ranije spomenut „R-
squared”. Što je njegova vrednost veća znači da je kvalitet treniranja modela bolji, odnosno drugim
rečima, on predstavlja parametar korelacije između ulaznih podataka koji je prepoznat od strane
algoritma mašinskog učenja. Kao numerički parametar kvaliteta prognoze usvojena je prosečna
relativna greška koja se izračunava po sledećoj formuli:
𝑇
1 |𝑃𝐶𝑒𝑛𝑎𝑡 − 𝑂𝐶𝑒𝑛𝑎𝑡 |
𝑃𝑅𝐺 = ∑
𝑇 𝑂𝐶𝑒𝑛𝑎𝑡
𝑡=1

gde su „PCena“ i „OCena“ prognozirana i ostvarena cena u svakom vremenskom intervalu „t“ (osim u
intervalima kad je „OCena“ jednaka nuli), a „T“ je ukupan broj vremenskih intervala. Na Slici 35
prikazan je dijagram sa vrednostima ovih parametara za svaki model.
 Slika 35 – Parametri treniranja i prognoze za svaki model u novembru 2022

7 ZAKLJUČAK

Kao što se može primetiti iz prethodnih rezultata, svakim dodavanjem nove ulazne veličine u
mašinsko učenje dobija se očigledno poboljšanje u tačnosti prognoziranja, a u modelima #3 i #4 za
novembar 2022 krive prognoziranih i ostvarenih cena su prilično bliske. Međutim za decembar 2022,
ovakav nivo tačnosti rezultata se dobija tek uključivanjem cene prirodnog gasa kao ulaznog parametra.
Kad poredimo numeričke parametre krećući se sa jednog modela na drugi, možemo uočiti trend
poboljšanja kvaliteta treniranja i tačnosti prognoziranja, što upravo i pokazuju povećanje R-squared
parametra i smanjenje prosečne relativne greške na sumarnom grafiku iz prethodnog odeljka.

Opšti zaključci i moguća poboljšanja vezano za mašinsko učenje u PLEXOS-u su sledeći:

➢ Implementacija i modelovanje mašinskog učenja u PLEXOS-u je relativno lako i nije potrebno

napredno poznavanje modelovanja. Takođe, nije potrebno ni značajno predznanje iz oblasti
mašinskog učenja.
➢ Najbitniji faktor za kvalitetnu implementaciju mašinskog učenja je dostupnost istorijskih
ulaznih podataka koji mogu da utiču na prognoziranu veličinu, i da ti podaci budu
zadovoljavajućeg kvaliteta.
➢ Za poboljšanje tačnosti rezultata, potrebno je izvršiti veliki broj analiza uticaja različitih ulaznih
veličina i njihovih kombinacija.
➢ Kao mogući predlog za poboljšanje rada mašinskog učenja u PLEXOS-u je implementacija
opcije za izbor jednog ili nekoliko različitih algoritama mašinskog učenja. Trenutno PLEXOS
pokreće više različitih algoritama u petlji, a izbor samo nekih od njih bi mogao značajno smanjiti
vreme treniranja.

Zaključci i zapažanja vezano za prognozu cena na BM u WEM-u upotrebom mašinskog učenja:

➢ Ponekad daje rezultate bez negativnih vrednosti cena.

➢ Cena prirodnog gasa kao ulazna veličina definitivno ima pozitivan uticaj na rezultate ali ju je
teško predvideti i nije dostupna u finoj rezoluciji (trenutno su dostupni samo mesečni podaci, a
bilo bi interesantno napraviti analizu i sa dnevnim vrednostima).
 FORECASTING ELECTRICITY PRICES USING
MACHINE LEARNING IN PLEXOS

STANKO VUJNOVIĆ, DANILO KOMATINA

Go2Power doo Beograd

BELGRADE

SERBIA

Abstract — Machine learning is a part of artificial intelligence that uses specialized

computer algorithms to create a model based on samples of input data. Once the model is
successfully trained, it can be used to make predictions or decisions without being
explicitly programmed to do so.
In this paper, machine learning is used to predict electricity market prices in Western
Australia, using publicly available data from the internet. The whole process was done in
the PLEXOS software, in which machine learning was implemented from version 9.1.
First, the available data that can influence the forecast value are being analysed, and then
only a few are selected as input data for machine learning. The next step is the pre-
processing of input data for use in PLEXOS and creation of a database in PLEXOS. Next,
the machine learning model is trained with selected samples of historical data, and after
successful training, the model is ready to forecast the selected value. Historical data was
also taken as input for the forecast, so the results depend only on the quality of the
machine learning model without the influence of forecast errors. The paper will show the
procedure for selecting optimal input data and changing in model accuracy when
changing the set of parameters used for training the model.

Key words — Artificial Intelligence – Machine Learning – PLEXOS – Forecast –

Electricity Prices
 PROGNOZA CENA NA TRŽIŠTU ELEKTRIČNE ENERGIJE KORIŠĆENJEM
MAŠINSKOG UČENJA U PLEXOS SOFTVERU

FORECASTING ELECTRICITY PRICES USING

MACHINE LEARNING IN PLEXOS

STANKO VUJNOVIĆ, DANILO KOMATINA

Go2Power doo Beograd

BEOGRAD

SRBIJA

Kratak sadržaj – Mašinsko učenje je vrsta veštačke inteligencije koja upotrebljava

specijalizovane računarske algoritme koji se mogu automatski poboljšati kroz iskustvo i
upotrebu podataka. Algoritmi mašinskog učenja kreiraju model zasnovan na uzorcima
ulaznih podataka, koje još nazivamo podaci za treniranje, kako bi istrenirani model
mogao da predvidi neke veličine ili donese odluke bez da je eksplicitno programiran za tu
svrhu. Danas se algoritmi mašinskog učenja koriste u razne svrhe, kao što su medicina,
filtriranje e-pošte, prepoznavanje govora i kompjuterske vizije, gde je jako teško ili
gotovo neizvodljivo razviti konvencionalne algoritme.
Tema ovog rada je upotreba mašinskog učenja za prognozu cena na tržištu električne
energije. Kao primer, uzeto je tržište električne energije u Zapadnoj Australiji (eng.
Wholesale Energy Market, WEM), gde se kao ulazni podaci koriste javno dostupni podaci
sa veb sajta Australijskog operatora tržišta električne energije (eng. Australian Energy
Market Operator, AEMO). Ceo postupak je odrađen u PLEXOS softveru i može se
podeliti u četiri posebna potprocesa. Pre svega se analiziraju dostupni podaci koji mogu
biti od koristi za prognoziranje željene veličine. Kada se usvoje ulazni parametri (eng.
Features), potrebno je iste prilagoditi u formate koje prepoznaje PLEXOS. Drugi korak
je izrada same baze u PLEXOS-u odnosno modelovanje, a zatim i proces stručno nazvan
„treniranje modela“, u kome se vrši kreiranje modela mašinskog učenja na osnovu
uzoraka iz ostvarenih podataka. Kada je treniranje završeno i model mašinskog učenja
je kreiran, može se krenuti sa poslednjim korakom prognoziranja izabrane veličine,
odnosno u ovom primeru cene električne energije. Kao ulazni podaci za prognozu koriste
se već ostvareni podaci tako da se simulira tzv. „savršena prognoza“. Ovim se eliminišu
greške u prognozi ulaznih veličina i rezultati zavise samo od kvaliteta modela mašinskog
učenja. Takođe, bitno je napomenuti da vremenski period prognoze neće biti obuhvaćen
vremenskim periodom treniranja modela. Ulazni veličine koje se koriste u ovom radu su
„Raspoloživost proizvodnih kapaciteta“, „Proizvodnja iz obnovljivih izvora“,
„Neraspoloživost proizvodnih kapaciteta“, „Konzum“, i na kraju „Cena električne
energije“ kao veličina za prognozu. U radu će biti prikazan postupak izbora optimalnih
ulaznih podataka te promene u preciznosti modela prilikom promene seta parametara
korišćenih za treniranje modela. Na kraju, svaki od modela će biti testiran i dobijeni
rezultati biće predstavljeni i upoređeni grafički u odnosu na ostvarene cene.

Ključne reči – Veštačka inteligencija – Mašinsko učenje – PLEXOS – Prognoza – Cena

električne energije.