КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЦІН РИНКУ «НА ДОБУ НАПЕРЕД» УКРАЇНИ ДЛЯ ЗАВДАНЬ ЕКОНОМІЧНОЇ ДИСПЕТЧЕРИЗАЦІЇ МІКРОМЕРЕЖ
The study presents a comparative analysis of short-term day-ahead electricity price forecasting models based on deep learning artificial neural networks. The research is conducted under the conditions of a unified trading zone of the Integrated Power System of Ukraine, synchronized with ENTSO-E, whe...
Збережено в:
| Дата: | 2025 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Інститут електродинаміки Національної академії наук України
2025
|
| Теми: | |
| Онлайн доступ: | https://prc.ied.org.ua/index.php/proceedings/article/view/417 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Proceedings of the Institute of Electrodynamics of the National Academy of Sciences of Ukraine |
Репозитарії
Proceedings of the Institute of Electrodynamics of the National Academy of Sciences of Ukraine| _version_ | 1856543834440204288 |
|---|---|
| author | Мірошник, В.О. Сичова, В.В. |
| author_facet | Мірошник, В.О. Сичова, В.В. |
| author_sort | Мірошник, В.О. |
| baseUrl_str | |
| collection | OJS |
| datestamp_date | 2025-12-26T14:40:08Z |
| description | The study presents a comparative analysis of short-term day-ahead electricity price forecasting models based on deep learning artificial neural networks. The research is conducted under the conditions of a unified trading zone of the Integrated Power System of Ukraine, synchronized with ENTSO-E, where the intraday price dynamics are shaped by high demand volatility, changing generation structure, regulatory constraints, and the consequences of attacks on the energy infrastructure. These factors lead to the emergence of nonlinear and locally structured patterns in the price time series, which complicates the application of traditional statistical forecasting methods. The study evaluates five deep learning architectures — LSTM, GRU, Transformer, MLP, and CNN — with the aim of assessing their effectiveness in modeling the relative price normalized by the hourly regulatory cap. The results demonstrate that forecasting accuracy is strongly dependent on the model’s ability to capture local structural patterns and adapt to stochastic transitions between market operating regimes. The convolutional neural network provides the lowest forecast error, indicating its suitability for operational planning and economic dispatching of microgrids, where the accuracy of price forecasts directly determines the effectiveness of decision-making. Ref. 19, fig. 2, tables 2. |
| first_indexed | 2026-02-08T08:09:31Z |
| format | Article |
| id | oai:ojs2.prc.new-point.com.ua:article-417 |
| institution | Proceedings of the Institute of Electrodynamics of the National Academy of Sciences of Ukraine |
| language | Ukrainian |
| last_indexed | 2026-02-08T08:09:31Z |
| publishDate | 2025 |
| publisher | Інститут електродинаміки Національної академії наук України |
| record_format | ojs |
| spelling | oai:ojs2.prc.new-point.com.ua:article-4172025-12-26T14:40:08Z SHORT-TERM PRICE FORECASTING OF THE UKRAINIAN DAY-AHEAD MARKET FOR ECONOMIC DISPATCHING OF MICROGRIDS КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЦІН РИНКУ «НА ДОБУ НАПЕРЕД» УКРАЇНИ ДЛЯ ЗАВДАНЬ ЕКОНОМІЧНОЇ ДИСПЕТЧЕРИЗАЦІЇ МІКРОМЕРЕЖ Мірошник, В.О. Сичова, В.В. короткострокове прогнозування ринок «на добу наперед» ціна електроенергії нейронні мережі глибоке навчання мікромережі short-term forecasting day-ahead market electricity price neural networks deep learning microgrids The study presents a comparative analysis of short-term day-ahead electricity price forecasting models based on deep learning artificial neural networks. The research is conducted under the conditions of a unified trading zone of the Integrated Power System of Ukraine, synchronized with ENTSO-E, where the intraday price dynamics are shaped by high demand volatility, changing generation structure, regulatory constraints, and the consequences of attacks on the energy infrastructure. These factors lead to the emergence of nonlinear and locally structured patterns in the price time series, which complicates the application of traditional statistical forecasting methods. The study evaluates five deep learning architectures — LSTM, GRU, Transformer, MLP, and CNN — with the aim of assessing their effectiveness in modeling the relative price normalized by the hourly regulatory cap. The results demonstrate that forecasting accuracy is strongly dependent on the model’s ability to capture local structural patterns and adapt to stochastic transitions between market operating regimes. The convolutional neural network provides the lowest forecast error, indicating its suitability for operational planning and economic dispatching of microgrids, where the accuracy of price forecasts directly determines the effectiveness of decision-making. Ref. 19, fig. 2, tables 2. Представлено порівняльний аналіз моделей короткострокового прогнозування цін на ринку «на добу наперед» на основі штучних нейронних мереж глибокого навчання. Дослідження виконано в умовах функціонування єдиної торгової зони ОЕС України, синхронізованої з ENTSO-E, де внутрішньодобова динаміка ціни формується під впливом високої волатильності попиту, змінної структури генерації, дії регуляторних обмежень та наслідків атак на енергетичну інфраструктуру. Такі властивості призводять до виникнення нелінійних і локальних закономірностей у часовому ряді цін, що ускладнює застосування традиційних статистичних методів прогнозування. У роботі проведено дослідження п’яти архітектур глибинного навчання – LSTM, GRU, Transformer, MLP та CNN – спрямоване на оцінювання їх ефективності при моделюванні відносної ціни, нормованої за граничною ціною в кожній годині. Результати показують, що точність прогнозу суттєво залежить від здатності моделі виділяти локальні особливості та коректно реагувати на стохастичні зміни ринку. Найнижчий рівень похибки забезпечує згорткова нейронна мережа, що свідчить про її придатність для задач оперативного планування та економічної диспетчеризації мікромереж, де точність прогнозування цін визначає ефективність прийняття рішень. Бібл. 19, рис. 2, табл. 2. Інститут електродинаміки Національної академії наук України 2025-12-19 Article Article application/pdf https://prc.ied.org.ua/index.php/proceedings/article/view/417 10.15407/publishing2025.72.055 Proceedings of the Institute of Electrodynamics of the National Academy of Sciences of Ukraine; No. 72 (2025): Proceedings of the Institute of Electrodynamics of the National Academy of Sciences of Ukraine ; 055 Праці Інституту електродинаміки Національної академії наук України; № 72 (2025): Праці Інституту електродинаміки Національної академії наук України; 055 2786-7064 1727-9895 10.15407/publishing2025.72 uk https://prc.ied.org.ua/index.php/proceedings/article/view/417/388 Авторське право (c) 2025 В.О. Мірошник, В.В. Сичова https://creativecommons.org/licenses/by-nc-nd/4.0 |
| spellingShingle | короткострокове прогнозування ринок «на добу наперед» ціна електроенергії нейронні мережі глибоке навчання мікромережі Мірошник, В.О. Сичова, В.В. КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЦІН РИНКУ «НА ДОБУ НАПЕРЕД» УКРАЇНИ ДЛЯ ЗАВДАНЬ ЕКОНОМІЧНОЇ ДИСПЕТЧЕРИЗАЦІЇ МІКРОМЕРЕЖ |
| title | КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЦІН РИНКУ «НА ДОБУ НАПЕРЕД» УКРАЇНИ ДЛЯ ЗАВДАНЬ ЕКОНОМІЧНОЇ ДИСПЕТЧЕРИЗАЦІЇ МІКРОМЕРЕЖ |
| title_alt | SHORT-TERM PRICE FORECASTING OF THE UKRAINIAN DAY-AHEAD MARKET FOR ECONOMIC DISPATCHING OF MICROGRIDS |
| title_full | КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЦІН РИНКУ «НА ДОБУ НАПЕРЕД» УКРАЇНИ ДЛЯ ЗАВДАНЬ ЕКОНОМІЧНОЇ ДИСПЕТЧЕРИЗАЦІЇ МІКРОМЕРЕЖ |
| title_fullStr | КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЦІН РИНКУ «НА ДОБУ НАПЕРЕД» УКРАЇНИ ДЛЯ ЗАВДАНЬ ЕКОНОМІЧНОЇ ДИСПЕТЧЕРИЗАЦІЇ МІКРОМЕРЕЖ |
| title_full_unstemmed | КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЦІН РИНКУ «НА ДОБУ НАПЕРЕД» УКРАЇНИ ДЛЯ ЗАВДАНЬ ЕКОНОМІЧНОЇ ДИСПЕТЧЕРИЗАЦІЇ МІКРОМЕРЕЖ |
| title_short | КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЦІН РИНКУ «НА ДОБУ НАПЕРЕД» УКРАЇНИ ДЛЯ ЗАВДАНЬ ЕКОНОМІЧНОЇ ДИСПЕТЧЕРИЗАЦІЇ МІКРОМЕРЕЖ |
| title_sort | короткострокове прогнозування цін ринку «на добу наперед» україни для завдань економічної диспетчеризації мікромереж |
| topic | короткострокове прогнозування ринок «на добу наперед» ціна електроенергії нейронні мережі глибоке навчання мікромережі |
| topic_facet | короткострокове прогнозування ринок «на добу наперед» ціна електроенергії нейронні мережі глибоке навчання мікромережі short-term forecasting day-ahead market electricity price neural networks deep learning microgrids |
| url | https://prc.ied.org.ua/index.php/proceedings/article/view/417 |
| work_keys_str_mv | AT mírošnikvo shorttermpriceforecastingoftheukrainiandayaheadmarketforeconomicdispatchingofmicrogrids AT sičovavv shorttermpriceforecastingoftheukrainiandayaheadmarketforeconomicdispatchingofmicrogrids AT mírošnikvo korotkostrokoveprognozuvannâcínrinkunadobunaperedukraínidlâzavdanʹekonomíčnoídispetčerizacíímíkromerež AT sičovavv korotkostrokoveprognozuvannâcínrinkunadobunaperedukraínidlâzavdanʹekonomíčnoídispetčerizacíímíkromerež |