Prediction interval estimation on seasonal adjusted electricity prices using conformal prediction theory

In the electricity markets, point forecast models for day-ahead prices are widely used. The usefulness of these models depends on their accuracy in forecasting. The open question is on their ability to estimate prediction uncertainty, resulting in tight and reliable prediction intervals. In this study, we explore the application of conformal prediction intervals. Specifically, our aim is to assess the impact of this method when applied to price time series after removing their seasonal components. We have observed a significant improvement in the quality of prediction intervals when applying this technique to regular data. However, for more challenging datasets with higher variance and more outliers, it remains more convenient to use the original price time series. Additionally, we have outlined that the quality of the intervals depends on the accuracy of the point forecast model, resulting in more reliable intervals when the model demonstrates higher accuracy in point predictions.

Nei mercati dell'energia elettrica, è consuetudine utilizzare modelli di previsione puntuale per i prezzi day-ahead. L'utilità di questi modelli dipende dalla loro accuratezza nelle previsioni. L'interrogativo che rimane aperto riguarda la loro capacità di stimare l'incertezza della previsione, producendo intervalli di previsione stretti e affidabili. In questo studio, esploriamo l'applicazione di intervalli di previsione conformi. In particolare, miriamo a valutare l'impatto di questo metodo quando applicato a serie temporali di prezzi dopo aver rimosso le loro componenti stagionali. Abbiamo evidenziatio come l'uso di questa tecnica possa migliorare significativamente la qualità degli intervalli di previsione se applicata a dati regolari. Tuttavia, quando il dataset risulta più difficile da prevedere a causa di una maggiore varianza, o data la presenza di più valori anomali, le prestazioni di questa tecnica si deteriorano, ed è più conveniente utilizzare la serie temporale originale dei prezzi. Inoltre, osserviamo che la qualità degli intervalli dipende dall'accuratezza del modello di previsione puntuale, producendo intervalli più affidabili quando il modello dimostra una maggiore accuratezza nella previsione.