| Summary: | I denne bacheloroppgaven i økonomi og administrasjon skal vi undersøke hvor vidt long-short-term-memory neurale nettverk kan brukes til å forutsi moregndagens strømpris i Trondheim. Dette basert på prisen på naturgass, kullpriser, nedbør målt i Bykle og Glomfjord, temperaturen målt på Værnes, vekslingsraten mellom Norske kroner og Amerikanske dollar og vekslingsraten mellom Norske kroner og Euro Vi forsøker å prediktere morgendagens strømpris i Trondheim ved å se på de foregående 30 og 50 dagene, samt en dag i forveien. Vi forsøker å gjøre dette ved å benytte alle variablene nevnt over som uavhengige variabler, og ved å kun bruke historisk strømpris som uavhengig variabel til å forutsi morgendagens strømpris. Modellen lærer ved å minimere det gjennomsnittlige kvadrerte avviket i treningsfasen, for så å validere læringen mot et sett med valideringsdata. Dette med mindre variablene kun inneholder støy og ikke utgjør noen nyttig funksjon for modellens evne til å produsere gode forutsigelser. Gjennom undersøkelser og testing har vi funnet indikasjoner på at modellens evne til å predikere blir bedre ved å redusere antall variabler og dager som benyttes i beregningene. Det er for øvrig lite sansynlig at et LSTM-nettverks evne til å forutsi verdier bedres ved reduksjon av variabler og antall dager som inkluderes som input til modellen. Basert på disse funnene kan vi konludere med modellen vår ikke er i stand til å produsere pålitelige resultater basert på de uavhengige variablene valgt i denne oppgaven. Vi ser også gjennom disse undersøkelsene tegn til at strømprisen kan betegnes som en random-walk tidsserie. In this bachelors thesis in economics and administration we are investigating whether long-short-term-memory neural networks can be used to predict the price of electricity in Trondheim one day in advance. To make these predictions we are using the price of natural gas, price of coal, precipitation measured in Bykle and Glomfjord, temperature measured at Værnes, the exchange rate between NOK and USD, and the ...
|
|---|