Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Models of Strategic Bidding in Electricity Markets Under Network Constraints Kapitel lesen Erstes Kapitel lesen

2012 | OriginalPaper | Buchkapitel

ECOTOOL: A general MATLAB Forecasting Toolbox with Applications to Electricity Markets

verfasst von : Diego J. Pedregal, Javier Contreras, Agustín A. Sánchez de la Nieta

Erschienen in: Handbook of Networks in Power Systems I

Verlag: Springer Berlin Heidelberg

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Electricity markets are composed of different agents that make their offers to sell and/or buy energy. These agents need forecasting tools to have an accurate prediction of the prices that they will face either in the day-ahead or long-term time spans. This work presents the ECOnometrics TOOLbox (ECOTOOL), a new MATLAB forecasting toolbox that embodies several tools for identification, validation and forecasting models based on time series analysis, among them, ARIMA, Exponential Smoothing, Unobserved Components, ARX, ARMAX, Transfer Function, Dynamic Regression and Distributed Lag models. The toolbox is presented in all its potentiality and several real case studies, both on the short and medium term, are shown to illustrate its applicability.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Forecasting Prices in Electricity Markets: Needs, Tools and Limitations
Nächstes Kapitel Electricity Markets Simulation: MASCEM Contributions to the Challenging Reality
Fußnoten
1
The toolbox is available upon request to the authors via email.
 
2
Multiplicative options may be implemented by taking logarithms to the data.
 
Literatur
1.
Weron R (2006) Modeling and forecasting electricity loads and prices: a statistical approach. Wiley, ChichesterCrossRef
2.
Wang AJ, Ramsay B (1998) A neural network based estimator for electricity spot-pricing with particular reference to weekend and public holidays. Neurocomputing 23:47–57CrossRef
3.
Amjadi N (2006) Day-ahead price forecasting of electricity markets by a new fuzzy neural network. IEEE Trans Power Syst 21:887–896CrossRef
4.
Szkuta BR, Sanabria LA, Dillon TS (1999) Electricity price short-term forecasting using artificial neural networks. IEEE Trans Power Syst 14:851–857CrossRef
5.
Fosso OB, Gjelsvik A, Haugstad A, Birger M, Wangensteen I (1999) Generation scheduling in a deregulated system. The Norwegian case. IEEE Trans Power Syst 14:75–81CrossRef
6.
Contreras J, Espínola R, Nogales FJ, Conejo AJ (2003) ARIMA models to predict next-day electricity prices. IEEE Trans Power Syst 18:1014–1020CrossRef
7.
Nogales FJ, Contreras J, Conejo AJ, Espínola R (2002) Forecasting next-day electricity prices by time series models. IEEE Trans Power Syst 17:342–348CrossRef
8.
Garcia RC, Contreras J, van Akkeren M, Garcia JBC (2005) A GARCH forecasting model to predict day-ahead electricity prices. IEEE Trans Power Syst 20:867–874CrossRef
9.
Byström H (2003) The hedging performance of electricity futures on the Nordic power exchange. Appl Econ 35:1–11CrossRef
10.
Pedregal DJ, Young PC (2008) Development of improved adaptive approaches to electricity demand forecasting. J Oper Res Soc 59:1066–1076CrossRef
11.
Trapero JR, Pedregal DJ (2009) Frequency domain methods applied to forecasting electricity markets. Energy Econ 31:727–735CrossRef
12.
Pedregal DJ, Trapero JR (2010) Mid-term hourly electricity forecasting based on a multi-rate approach. Energy Convers Manage 51:105–111CrossRef
13.
Conejo AJ, Contreras J, Espínola R, Plazas MA (2005) Forecasting electricity prices for a day-ahead pool-based electric energy market. Int J Forecasting 21:435–462CrossRef
14.
Weron R, Misiorek A (2008) Forecasting electricity prices: a comparison of parametric and semiparametric time series models. Int J Forecasting 24:744–763CrossRef
15.
Box GEP, Jenkins GM, Reinsel GC (1994) Time series analysis forecasting and control, 3rd edn. Prentice-Hall, Englewood CliffsMATH
16.
Hyndman RJ, Koehler AB, Ord JK, Snyder RD (2008) Forecasting with exponential smoothing. Springer, BerlinCrossRef
17.
Harvey AC (1989) Forecasting structural time series models and the Kalman filter. Cambridge University Press, Cambridge
18.
Pedregal DJ, Young PC (2002) Statistical approaches to modelling and forecasting time series. In: Clements M, Hendry D (eds) Companion to economic forecasting. Blackwell, London
19.
Kalman RE (1960) A new approach to linear filtering and prediction problems. ASME Trans J Basic Eng 83-D:95–108
20.
Lütkepohl H (1991) Introduction to multiple time series analysis. Springer, HeidelbergCrossRef
21.
Tsay RS (1986) Time series model specification in the presence of outliers. J Am Stat Assoc 81:132–141CrossRef
22.
Brown RG (1959) Statistical forecasting for inventory control. McGraw-Hill, New YorkMATH
23.
Holt CC (1957) Forecasting seasonals and trends by exponentially weighted moving averages, ONR Research Memorandum 52, Pittsburgh, Carnegie Institute of Technology
24.
Gardner ES Jr, McKenzie E (1985) Forecasting trends in time series. Manag Sci 31:1237–1246CrossRef
25.
Bryson AE, Ho YC (1969) Applied optimal control, optimization, estimation and control. Blaisdell Publishing, Waltham
26.
27.
28.
29.
30.
Metadaten
Titel
ECOTOOL: A general MATLAB Forecasting Toolbox with Applications to Electricity Markets
verfasst von
Diego J. Pedregal
Javier Contreras
Agustín A. Sánchez de la Nieta
Copyright-Jahr
2012
Verlag
Springer Berlin Heidelberg
Buch
Handbook of Networks in Power Systems I

Print ISBN: 978-3-642-23192-6

Electronic ISBN: 978-3-642-23193-3

Copyright-Jahr: 2012

DOI
https://doi.org/10.1007/978-3-642-23193-3_6