Forecasting electricity load and day-ahead prices in different time horizons with a hybrid method based on SARIMAX model and LSTM neural network

Electricity load and price forecasting are critical components in energy management systems and energy markets. Significant fluctuations, such as sharp price increases and load spikes, can cause serious risks to retailers and production systems. Anticipating these fluctuations is therefore crucial for effective risk management. In this context, different time horizon forecasts play a crucial role. This thesis presents a hybrid forecasting framework for Italian demand and price, tailored for both short-term and medium-term time horizon. The model integrates a Seasonal Autoregressive Integrated Moving Average with Exogenous Variables (SARIMAX) model and a Long Short-Term Memory (LSTM) neural network. First, the SARIMAX model fits and predicts the data, obtains the residuals, and then uses the LSTM network to refine the SARIMAX predictions. Experimental results indicate that the model is well-suited for both load and price forecasting across short and long-term horizons, achieving greater accuracy than standalone models in most of the scenarios considered.

La previsione della domanda e dei prezzi è una componente fondamentale nei sistemi di gestione dell’energia e nei mercati energetici. Variazioni significative, come forti aumenti di prezzo e picchi di domanda, possono rappresentare seri rischi per i rivenditori e i sistemi di produzione. Prevedere queste fluttuazioni diventa quindi cruciale per una gestione efficace del rischio. In questo contesto, le previsioni su diversi orizzonti temporali giocano un ruolo essenziale. Questo studio presenta un modello ibrido per la previsione della domanda e del prezzo in Italia, sia a breve che a medio termine. Il modello integra un modello SARIMAX (Seasonal Autoregressive Integrated Moving Average with Exogenous Variables) e una rete neurale Long Short-Term Memory (LSTM). In primo luogo, il modello SARIMAX si adatta e predice i dati, ottiene i residui e poi utilizza la rete LSTM per perfezionare le previsioni date dal SARIMAX. I risultati sperimentali indicano che il modello è adatto sia alla previsione della domanda che dei prezzi su orizzonti brevi e lunghi, ottenendo una maggiore accuratezza rispetto ai modelli standalone nella maggior parte dei casi.