Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   8 , No .   6 ,  Decem ber   201 8 , p p.   4060 ~ 4078   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v8 i 6 . pp4060 - 40 78          4060       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Forecast ing  S hort - term  W holesa le  P rices on the  Irish S ingle  Electri city  Mark et       Francesc o Ar ci 1 , Jan e  Reil ly 2 , Pe ngfei  Li 3 ,  Ke vin  Cu rr an 4 ,  A mma r Be latreche 5   1,2,3 Ark E ner g y   Consulti ng  L imite d,   Unit   20  Da i ngea n  Ha ll,  N4  Axis   Cent re ,   B atter y   Ro ad, L ong ford,   Ir la ndi a   4 Facul t y   of  Com puti ng,   Engi n ee r ing  &   Buil t  Env i ronm ent ,   Ulst er University ,   Nort her n  Ir el and ,  U n it ed   Kingdom   5 Depa rtment of  Com pute r  Scie n ce   and  Dig it a l T ec hnolog ie s,   Northum bria   Unive rsit y ,   U ni te d   Kin gdom       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Ma y   2 9 , 201 8   Re vised  A ug   18 , 2 01 8   Accepte d  Aug   30 , 201 8       El e ct ri ci t y   m ark et s  are   d iffe r ent   from   othe r  m ark et s  as  elec tr ic i t y  gene ra ti on   ca nnot   be   ea si l y  stored  in  subs t ant i al   amounts  and  to   avoi d   bl ac kouts,   th e  gene ra ti on  of   elec tr ic i t y   m ust  be   bal an ce d  wi th  c ustom er  demand  for  it   on   a   sec ond - by - sec on d  basis.   Cu stom ers  te nd   to   rely   on  elec tr icit y   for   da y - to - d a y   li ving  and  ca n not  rep la c e  it   ea sil y   so   when   elec tr ic i t y   pr ices  inc r ea se ,   customer  deman d  gene r al l y   do es  not  red u ce   sign ifi c ant l y   in  th e  short - te rm .   As   el ec tr ic i t y   g ene ra ti on  and   c ustom er  demand  m ust  be  m at che d  per fe c t l y   sec ond - by - sec on d,   and  be ca use  g ene ra ti on  c annot  be  stored  to  a  c onsidera bl e   ext en t,   cost  bi ds  from   gene rat o rs  m ust  be  balanc e d  with  d emand  e stim at es  in  adva nc e  of  rea l - ti m e.   Thi s  pap er   outl ine s  a  a  for ec ast ing  al gori th m   buil t  on   art if ic i al   n eur a l  net works   to  pr e dic t  short - te rm   wholesa le  prices  on  the  Irish   Single   E lectr i cit y   Marke t   so  tha t  m ark et   p a rti ci p ant s  ca n  m ake   m ore   informed  tra d in g  decisions.  Re sea rch   stud ie s  have   d emons tra te d  th at  a n   ada pt ive   or   self - ada pt ive   appr oa ch  to   fore ca stin g  would  app ea r   m ore   suited   to  the   t ask  of  pre dicting  en erg y  demands  in  te r rit or y   such  as  I rel and .   W e  have   ide nt ified  t he  fe at ur es  th at   s uch  a   m odel   d e m ands  and  outli ne  i t  h ere .   Ke yw or d:   Ar ti fici al   n e ur a l  n et w orks   Ele ct rici ty   m ar kets   Ma chine  l ea rn i ng   Ma rk et   p re dicti on s   Neural  n et w orks   Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Kev i n  C urran ,   Faculty  of Com pu ti ng , E ngineeri ng &  B uilt  Environm ent,    Ulste r Un i ver si ty , N ort he rn Ir el and ,  Unit ed   Kingdom .   Em a il :  kj .curra n@ulst er.ac .uk       1.   INTROD U CTION   The  inc reasin g  per ce ntage  of   el ect rici ty   gen erated  th rou gh   ren e wa ble  sour ces  te nd s  t o  in validat e  th e   assum ption   of   correla ti on   bet ween  el ect rici ty   sp ot  pr ic es  a nd   t he  pr ic e  of  the  m ix  of   c om m od it ie s  util i zed  to   su pply   ge ne rat or s   (e .g.  gas,  coal,  oil - de pe ndin g  on  the   ge ner at in g  a sset  com po sit ion   on  th e  s pecific  gr i d) .   The  var ia ble  natu re  of  pro du ct io n  of  re ne wab le   e ne rg y   sources   al so   increases  t he  vo la ti li ty   of   s yst e m   m arg inal  pri ces  (S MPs )  on  m ark et s  base d  on   a  m and at or y  cent ral  pool  m od el .  Europ ea n  c ountrie s  have   unde rtake n  s ubsta ntial   inv e stm ents  to  boost   the  am ou nt  of   energy  pr oduc ed  th rou gh   re new a ble  gen e r at ion .   Ir el an d  i n  par ti cular  is  ai m ing   at   40%  of  it s  powe r  nee ds   be ing   m et   by  re new a ble  s ourc e s  by  2020.  In  this   env i ronm ent,  we  can  ex pect  the  wholesal e,  fine  gran ularit y  (e.g .  hal f  hour ly )  w hole sal e  pr ic e  of   el ect rici ty   to  beco m e  m or e  vo la ti le  over  ti m e.    The  a bili ty   to  operate  e ff ec ti vely   on  el ect rici ty   sp ot  m ark et s  reli es  on  the  ca pa bili ty  to  d evis e   appr opriat e  biddin g  strat egies.   These  in  tur n  can  be nef it   fro m   the  inclusion   of   a  reli able forecast   of   s hort  te r m   syst e m   m arg inal  pr ic es  (S MP s).   In  a  m ark et   with  a n  i ncr ea sing   pe rcen ta ge   of  re ne wab le   ge ner at or s ,  rel ia ble   forecast s  m us t  necessa rily   ta ke  int o  acc ount   add it io nal  fa ct or s  s uc h  as   m et eor ologica l  forecast s,   f oreca ste d  dem and   an d  c onstrai nts  im po s ed  by  netw ork   topolo gy  [ 1 ] ,   [ 2].  Tra diti onal   tim e  series  fo r ecast ing   al gorithm s  (e. g.   ba sed  on  Au t oReg ressi ve  I nteg rated  Mov i ng   Av e ra ge  m od el s)  can  pe rfor m   reaso na bly  well   in  this   con te xt  bu t  rel y  on   assum ption s  bei ng   m ade  on   beh a vior  ov er  dif fer e nt  te m po ral  windows  to  yi el d  co ns ist ent  resu lt s  [3 ] ,   [ 4].   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Forec as ti ng  Shor t - te r m  W ho le sa le  Prices  on  the I ris h  ...   ( Fran ce sco  Arci)   4061   Ther e  is  a  s m al l  nu m ber   of   com pan ie s  pro vid in g  or  w orkin g  on  a  ro bust  appr oach   t o  forecast in g  bo t h  re new a bl e  power   ou t put  and / or   m arg inal  pri ces  f or   el ect rici ty .  Alba  S olu zi oni  are  an  ind e pe nd e nt  consulta ncy  pr ov i ding  inf orm at ion ,  trai ning  and  b es poke  c on s ultancy   ser vices  in  the  E uro pea n  gas  a nd  powe r   m ark et s   [ 5] . T heir prim ary pu blica ti on to  da te  is co ns ide r ed  a re fer e nce  on   Ital ia n  gas & p ow e r  m ark et s.  They   currently   pr ov i de  a  s hort - te rm   m arg inal  pr ic e   forecast   se rv ic e.  MK On li ne   pro vid es   onli ne  m ark et   intel li gen c e   serv ic es  t o  pro vid e  cl ie nts  with  tim ely  and   hi gh - res olu ti on  forecast s  of  f undam ental s  an d   pri ces  f or   t he   sh ort ,   m id an d l ong t erm  h or iz on.  I t  also  offers a c om ple m entary weathe r  se rv ic e   [ 6] .   Me te olo gica  s upply  forecast s  of   busine ss  var ia bles  relat ed  to  weathe r   throu gh   the  pro vision   of  integrate d  f or e cast ing   s olu ti ons,  uniq ue  to  each  cl ie nt.  M e te olo gica  s pe ci al iz es  in  wind   a nd  s olar  pow e r   forecast in g  ser vices  al l  aro un d  the  w or ld   [7] .  Their  f or eca sts  are  util iz ed  by  hu ndre ds   of   plant  owne rs,   powe r  traders  an d  gr i d  operat or s  to  op ti m iz e   their  bu si ness  act ivi ti es.  Fr om   pr el i m inary  con ve r sat ion s  as   a  pote ntial  su ppli er  of  re ne wab le   po wer   ou t pu t  data ,  Me te olo gica  is  currently   wor kin g  on   a n  SMP   fo reca sti ng   se rv ic e .   Me te og r oup  is   a  glo bal  pr i va te   weather  bus iness  with  offi ces  around  the   wo rl d   [8] .  T he y  aim  to  co m bin e  exp e rience   an d  global  c ov e r age  with   l ocal  ex per ti se  t o  offer  our   c us tom ers  highly   accurate  a nd  be spoke   weathe r  se rv ic es.  Me te ogr ou p  has  rece ntly   la un c hed  a  por ta l  aim ed  at   presenti ng  m et eor ol og ic al   in f orm at ion   us ef ul to  en e r gy  trad er s.    Used   ANN - ba sed  load  fore cast ing   m et ho ds   f or   24 - hour - ah ead  peak   load  f or eca sti ng   by  us in g  forecast ed  te m per at ur e   [ 9 ] .   They  pro po s ed  a  one  hour - a head   l oad   f or ecast in g  m e thod  us i ng   th e  m os t   sign ific a nt  wea ther  data.  In  th e  pro posed   f oreca sti ng   m et hod,   weathe r  dat a  is  first  a naly zed  to   dete rm i ne  the   m os t  cor relat ed  facto rs  to  l oa d  cha nges.  T he   m os t  cor relat e d  weat her   data  is  then  us e d  i n  trai ning,  validat ing  and  te sti ng  th e  ne ur al   net w ork.  Co rr el at ion  analy sis  of  weath er  data   was   use d  to   determ ine  th e  input   par am et ers  of t he neu ral  netw orks  a nd they t est ed   it  on act ua l l oad   data  fro m   the Eg y ptian  Unified  Syste m .   O utli ne  a  ne ural   netw ork  a ppr oach   for  f or ecast in g  s hort - te rm   el ect ri ci ty   pr ic es  us ing   a  back - pro pag at io n  al gorithm   [ 10 ] .  The  res ults  ob ta ined  from   their  ne ural   net work  s how  t ha t  the  neural  ne twork - b ase d  ap proac h  is  m or e  acc urat e.    P rese nt  a n  ANN  base d  sh ort - te rm   load  f oreca sti ng  m od el   fo r   a  s ubsta ti on  in  Kano,   Ni geri a   [ 11 ] .  The  re corde d  daily   load  pro file   with  a  le ad  t i m e   of  1 - 24  ho ur s  f or  the  ye ar  2005  was   ob ta ine d  from   the  util it y  com pan y.   T he  Le ve nb e r g - Ma r qu ard t  optim iz ati on  te ch nique  was  us e d  as  a   bac k - pro pag at io n  al gorithm   fo r  t he   Mult il ay er  Feed  F orwa rd   A NN.  T he  f orec ast ed  ne xt  day  24  ho ur ly   pea k  loads   wer e  obta ine d  base d  on   the  st at ion ary  outp ut   of   the  ANN  w it h  a  per f or m a nce  Me an  Squ ared   Er r or   (M SE)  of     5.84 e - 6   a nd   c om par ed  favor a bly  with  the  act ual  Po we r  util it y  data.  The  resu lt s  showe d  that  their  te chni qu e  i s   rob us t  in  f orec ast ing   fu t ur e  l oad   dem and s  f or   t he  da il y  op erati onal   pla nnin g  of   powe r   syst e m   distribu ti on  su b - sta ti ons in   Nige ria.   Shor t - te rm   loa d  f or eca st  is  therefo re  an  e ssentia l  par t  of  el ect ric  pow er  syst em   pla nn i ng   a nd   op e rati on.  For ecast ed  values   of  syst em   load  a ff ect   t he  de ci sion s   m ade  f or  unit   c omm itm ent  and  s ecur it y  assessm ent,  wh ic h  hav e  a  di rect  i m pact  on  op e rati onal   costs  an d  syst e m   secur it y.  Co nv e ntio nal  re gressi on  m et ho ds   a re  use d  by  m os t  power   c om pan ie s  fo r  l oad   forec ast ing .  Howe ve r,   due  to  the  nonlinea r  relat io ns hi p  betwee n  l oad  and  fact or s   af f ect ing   it ,  c onve ntion al   m et ho ds   a re  no t   suff ic ie nt  en ough  to  pr ov i de  acc ur at e   loa d f or ecast   or to  conside r  t he  seasonal   var i at ion s  of loa d.     We  belie ve  art ific ia l  neural  ne tworks   ( A NN)  base d  loa d  f oreca sti ng  m et ho ds  ca n  deal  w it h  24 - hour - ahead   loa d  f oreca sti ng   by  us i ng   f oreca ste d  weathe r  input  var ia bles,  w hich  can  le ad  to  hi gh   f or eca st ing  erro r s   in  case  of  ra pid   weat her   c ha ng e s  [ 12 ] ,   [ 13 ] .  A NN s  per m it  m od el li ng   of   com plex  and   nonlinea r  relat io ns hi ps   thr ough  trai ni ng   with  t he  use   of  histo rica l  data  an d  ca n  the refor e   be   us e d  in  m odel s  base d  on  weathe r   inf or m at ion   w it ho ut   the  nee d  for  ass um ption s   f or  a ny  f un ct io nal  relat ion s hip  bet we en  lo ad   an d  weathe r   var ia bles.  We  ou tl ine  he re  a  novel  neural  ne twork - ba sed   appr oach  f or  s hort - te rm   load   forecast in g  t ha t  us es  the  correla te d  weathe r  data  f or   trai ni ng,  val idati ng   an d  te s ti ng   of  a  neura l  network.  Correl at ion   analy s is  of   weathe r  data  determ ines  the   input  par am et ers  of   t he  ne ur al   ne tw orks.  The  s uitabil ity  of   the  pro pose d  appr oach  is  il lustrate d  thr ou gh  a n  a pp li ca ti on   t o  the   ac tual  loa d  data   of  th e  I rish  Ele ct rici ty   Mar ket.     This  pap e r  is  orga nised  as   f ollows:   Sect io n  2  pr ov i des  a  bac kgrou nd  to  the  Si ng le   Ele ct rici ty   m a rk et   in   Ir el an d,   sect io n,   sect io n  3  in tro du ces   Ar ti fi ci al   Neu ral  Ne tworks  &  Short - te rm   Load   Fo recasti ng,  sec ti on  4  pr ese nts t he  s hort - te rm  f or eca sti ng  m od el  a nd secti on  5 pro vid es  a c on cl usi on .       2.   SIN GLE  EL E CTRICIT Y MA RKET   The  Si ng le   Ele ct rici ty   Ma rk et   (S EM)   is  th e  w ho le sal e  el ect rici ty   m ark et   for  the   isl an d  of   Ir el a nd,   regulat ed  j oi ntly   by  the  CER   and   it s  c ounter par t  in  Be lfast ,  the  Util i ty   Re gu la tor .  The  Com m issio n  f or   Energy  Re gula ti on   (CER)  is  the  ind e pe nden t  bo dy  res pons ible  fo r  r eg ulati ng   the  na tural   gas  an d  el ect rici ty   m ark et s  in  I reland.  By   com bi ning  w hat  we r e  two  se par at e  j uri sd ic ti onal   el ect rici ty   m ark et s,  the  SEM  be ca m e   on e  of   the  first   of   it s  kin d  in  Euro pe  w hen   i t  wen t  li ve  on   1s t  Novem ber   2007  [1 4 ] .  The   SEM  is  design ed  t o  pro vid e  for  the   le ast   cost  sou r ce  of  el ect rici ty   gen e rati on  to   m ee t  custom er  dem and   at   any   one  tim e  acro s s  the  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &   C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4060   -   4078   4062   isl and ,   w hile  a lso  m axi m isi n g  lo ng - te rm   su sta inabili ty   an d  reli abili ty .  The  S EM  is  op erated  by  SE MO,  t he  Sing le   Ele ct rici ty   Ma rk et   O pe rator,  a  jo int - ven t ur e   bet we en  Eir G rid  a nd  S O NI ,   the  t ran sm issi on   sy stem  op e rato rs  in  Irel and   a nd   N ort hern  Irel an d  resp ect ively .  S EMO   [ 15 ]   is  respo ns ibl e  f or  adm inist ering   th e   m ark et ,   inclu di ng   payi ng  ge ne rators  f or   thei r  el ect rici ty   gen erate d  an d  in vo ic in g  s uppliers   f or   the  el ec tric ity   they  h a ve bou ght [ 1 4 ] .    SEM  co ns ist s  of   a  ce ntrali se d  an d  m and at or y  al l - isl an d  wholesal e  po ol   (o r  spot)  m ark et ,  t hroug h   wh ic h  gen e rat or s   an d  s uppli ers  tra de  el ect r ic it y.  Gen erat ors  bid   int o  this   pool  th ei r  own  s hort - run  c ost s  for  each  hal f  hour   of   the  fo ll ow i ng   day,  w hic h  is  m os t ly   their   fu el - relat ed  operati ng  c os ts.   Ba sed  on  this   set   of  gen e rato r  c os ts  an d  cust om e r  dem and   for  el ect rici ty ,  the  Syst e m   Ma rg inal  Pr ic e  (S M P)   f or  each  ha lf - ho ur  tradin g  pe rio d  is  determ ined  by  SEMO,  us i ng   a  sta ck  of   t he  chea pest  al l - isl and   ge ner at or   c os t  bid s  ne cessary   to  m eet   all - isl a nd   dem and   [1 6 ] .  It  is  these  m or e  ef fici ent  ge ner at or s  wh ic h  are  gen e rall y  run  to  m eet  dem and   in  the  half  ho ur   i n  wh at   is  known  as  the  “M ark et   Sc he dule ”.  Mo re  e xpen sive  or   i ne ff ic ie nt  gen e ra tors  a re  “ou t  of   m erit ”  and   he nce  they   are  not  r un  a nd  are  not  pai d  SMP,  keep i ng   custom ers’   bill s  dow n  as  s ho wn   i n  Figure  1 .            Figure  1 .   The  role o f Sy stem  Marg inal  Pr ic e       The  SMP   f or   e ach h al f  hour  is  paid  t o  al l  ge ner at o rs  t hat  ar e  nee ded   t o  m e et   dem and .  S uppliers , wh o  sel l  el ect ricity  direct  to  the  final  co ns um er,  buy  their  el ect rici ty   fr om  the  pool  at   this  com m on   pr ic e,  as   il lustrate d  in   Figure  2 .   O ve rall   the  S E M  facil it at es  the  r unni ng  of  the   chea pes t  possible  ge ner at or s ,  determ ined  by  the  sta ck  of  ge ner at io n  c os t  bi ds ,  to  m eet   custom er  de m and   acr os s  the  isl and.  This  m and at ory   centrali sed  po ol   m od el   in  SEM,  in  wh ic h  al l  key  gen erat ors  and   s upplie rs   m us t  par ti ci pate,  diff e rs  from   m os t  oth e r  Eu ropea n  m ark et s in  whic h  m os t t rad e takes p la ce bila te rall y between  ge ner at or s and supp li ers . In  these   bilat eral  m ark et s  on ly ,  a  residu al   am ou nt  of   el ect rici ty   i s  traded   in  an   exch a ng e ,  pr i m aril y  fo r  bal ancin g  pur po ses .  I n  c on t rast  al l  key  play ers  m us t  tr ade  in  SEM,  s o  there  is  m or e   trans par e ncy  associat ed  with  SEM   pr ic es a nd m ark et  outcom es.            Figure  2 .   Wholesal e an d  retai l  m ark et   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Forec as ti ng  Shor t - te r m  W ho le sa le  Prices  on  the I ris h  ...   ( Fran ce sco  Arci)   4063   Gen e rato rs  op erati ng   within   the  SEM  al s o  receive  se pa rate  capaci ty   paym ents  wh ic h  co ntribute   towa rd s   their  f ixed  c os ts,   if  t hey  are  a vaila bl e  to  ge ner at e .  The  ca pacit y  pa ym ent  po t  of   m on ey   fo r   ge ne rators  is  set   ahead   of   tim e   by  the  SEM  Com m i tt e e  and   is  cal cul at ed  base d  on  the  relat ively   l ow   fixe d  costs   o f  a  peak i ng  p la nt.  As  a  res ult,  the  pay m ents  generall y  cov er o nl y  a  po rtion  o f  the  fixe d  costs involve d  in  bui ldin g  m os t  plants.  S uppliers  al s o  pay  f or   t hese   capaci ty   pay m ents  and  an y  oth er   syst em   char ges,   w hich  a re   ty pical ly   passed   th rou gh  to  c ust om ers.   T o  sel l  el ect rici ty   into  the SEM p oo l,  ge ner at ors  m us t  subm it   cost  bid s  to  SEMO  t he  day  be fore  the   ph ysi cal   trad e /gene rati on   ta ke s  place,  known  as  D - 1.  Th e  bid s  s ubm i tted  are   pr im aril y  based   on  a  ge ner at or’s  r unni ng  or  S hort  Ru n  Ma rg inal  C os t   (S RM C),  i.e .  t he  cost  of  eac h  e xtra  M W   it   cou ld  pro du ce  e xclu ding  it s  fixed   costs.  The  SR MC   ref le ct s  the  opportu nity   cost  of   the  el e ct rici ty  pro du ce d,   w hich  is  the  e co nom ic   activity   t hat  the  ge ner at or   f orgo e s  to  pro du ce  el ect ri ci ty .  Fo r  e xam ple,  i n  the  case  of   a  gen e rat or  f uelle d  by  gas ,  the   opportu nity   cost  inclu des  th e  pr ic e  of   gas  on   the  day  that  it  is   biddin g  in ,  be cause  if  t he  ge ner at or   was  no t  producin g  el ect rici ty   it   cou ld  sel l  it s  gas  in  the  op e n  m ark et .   Gen e rato r  bid s   al so   incl ud e  a   ge ner at or’ s  st art - up  c os ts,  w hich  a re  c os ts  it   faces  if  it   ne eds  to   be  t urne d  on   after  a  pe rio d  of   inact i vity ,  as  well   as  ge ner at or   no - lo ad  costs  w hich  are  (m os tl y  fu el )  c os ts  w hich  a re  ind if fer e nt to  outp ut levels.   The  ge ner at or s   subm it   these  bid s   to  SEMO   up  unti l  Gate  Cl os ure,   cu rre ntly   at   10:0 0am   on  D - 1.   So ft war e  is  the n  run  by  SEM O  to  determ ine  a  Ma rk et   Sched ule  w hich  f oreca sts  the  SMP  for  each  half   hour  tradin g  per i od   for  the  f ollow i ng   day.  H ow e ver,  no  s oft wa re  can   predict   with  c om plete  accuracy  w ha t  will   happe n  in  reali ty :  real - t i m e  factor s  s uc h  as   a  cha ng e  i n  wind  ge ne rati on  or  c us tom er  dem and ,  wh i ch  can   aff ect   SMP,  m us t  be  acc ount ed  for.  F or  this   reas on,  SEM O  c om plete s  two  m or e  s of tw are  runs  ref le ct ing   t he  reali ty   of   w hat   happe ne d  in  ge ner at or   disp at ch,   on e   on  the  day  after  t he  tr adin g  da y  (D + 1),  an d  a no t her  fou r   days  after  ( D+ 4),  to  cal culat e  the  final  SMP   fo r  eac h  ha lf  hour  of   t he  tra ding  day.  T his   D+4   pr ic e  is  the  one  that  is  paid  t o  gen e rato rs  a nd   pai d  by  s uppl ie rs.   T he   Ma r ke t  Sche dule   id entifi es  the   lo west  c os t  s olu t ion  at   w hic h  ge ner at i on   ca n  m eet   de m and   for  each  half  hour  tradi ng   per io d.   It  ra nk s  gen e rato rs  with  the  lowes t  bid s   first  un ti l t he q uan ti ty  n ee de d for the  d em and is m et   -   see bl ue  s ha ded b a rs i n    Figure   3 .  T he  m arg inal  ge nerat or   nee de d  to  m eet   the  dem a nd   set s  the  SM P  for  that  trading   per io d.   The  oth e r  ge ne rators  who  ha ve   su bm itted  SRM C  bid s  lowe r  than  this  pri ce  are  deem ed  to  be  “i n  m erit”  and  will   al so   be  sc heduled  t o  r un.   All  gen e rato rs   who  hav e  s ub m itted  bid s  w hi ch  ar e  higher  t han   t his  pri ce  ( SMP)  are d eem ed  to b e “o ut o f  m erit ” and  w il l no t  be  sche dule d  to run   -   see the  gr ee n  ba r  in   Fi gure 3 . Th ese t end  to  be old  or ine ff i ci ent p la nts.            Figure  3 .   Ma r ke t sche du le       All  ge ner at ors   who  ha ve  s ub m it te d  a  bid   w hic h  is  unde r  the   SMP   earn   a  pro fit,  know n  a s   “i nf ram arg inal   re nt”,  on  the   di ff ere nce  betw een  t heir  SRM C  bid  offe r  a nd  th e  SMP .  T hi s  is  il lustrate d  in  r e d  sh a ded  ba rs  i n  the  gr a ph.  Th e  plant   that  set s  the  m arg inal   p rice  in  a   half   hour,   i.e.  t he  on e   with   the   hi gh est   run ning  costs  a m on g  tho se  th at   are  schedule d  to  r un,  does  no t  recei ve  an y  infr a - m arg in al   ren t.  H ow e ve r,   this   is  ty pical ly   a  p eakin g  pla nt  w hich,   w hile  it   has  high  sho rt - run  c os ts,  has  l ow   fixe d  c os ts.   Hen c e  it s  c os t s  are  cov e re d  th rou gh  the  SMP  a nd  the  c apacit y  paym ents  it  receives .  Infra - m arg inal  re nt   is  nee ded  f or  m os t  gen e rato rs  that   are  r un,  incl uding   e ff ic ie nt  m od e r n  gas   pla nts  an d  wi nd  f ar m s,  becau se  w hile  su c h  pla nt s  ha ve   relat ively   low  run ning  co sts   ( SRM C),  they   hav e   m uch   hi gher  fixe d  c os ts   w hich  t he  ( rel at ively   low)   ca pacit y  paym ent  do es   no t  f ully   cover.  W it hout  in fr a - m arg inal  r ent,  it   would  no t  be  eco no m ic   to  bu il d  m od ern   eff ic ie nt  po we r  plants  or   wind  fa rm s,  threatenin g  secu rity   of   el ect rici ty   su p ply  an d  dri vi ng   higher  pr ic es  in   the lo ng - r un.    W i nd  fa rm s  are  an   exam ple  of  el ect rici ty   gen e r at ors  t hat  ha ve  ver y   low  SRM C - the  wind  is    fr ee - an d  s o  ty pi cal ly   they   receive  a  highe r  r at e  of   in fr a - m a rg i nal  ren t  th a n  ot her   el ect ric it y  gen erato rs,   wh ic h  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &   C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4060   -   4078   4064   in  tu r n  is  needed  t o  pay  f or  t heir  m uch  hi gher   fi xed  costs .  I f  a   ge ne rato r  was  disp at c he d  m or e  t han  it   was   sche du le d  to   in  the   Ma r ket  Sche du le ,   f or  exam ple  to  co m pen sat e  for  a no t her  (c hea pe r)   ge ner at or  no t  bein g  bro ught  onli ne   du e  t o  a  net w ork  fail ure  or   “ const r ai nt”,  it   is  “co ns trai ne d  on ” .  T his  m ea ns   it   receives  i ts  bid  cost  to   c om pen sat e  for  t he  extra  M W  it   m us t  pr od uce,   th ough  it   does  not  receive   inf ra - m arg ina l  ren t .   Gen e rato rs  w ho  we re  ori gina ll y  included   in   the  Ma rk et   Sc hedule,  bu t  no t   act ually   ru n  f or   reas ons  ou ts ide  of   their  c on t ro l,   f or  exam ple  du e  to  a   net work  fau lt ,  a re  sai d  t o  be  “c onstrai ne d  off”.  They  r ecei ve  the   SM P  le ss  their  bid,  i.e.  the  inf ra - m arg inal  ren t  they   would  hav e  r e cei ved   in  the  m ark et   had   the y  been   run.   C onstrai nts   costs also  cove r  co s ts ass ociat ed wit h  “re ser ve ”. T his is whe re,  to  ensu re the  conti nu e d  s e cur it y o f  the  syst e m ,  for  exam ple  in   the  eve nt  of  a   gen e rato r  trip ping,  s om e  gen erat or s  a re  in structed  t o  r un   at   lower   le vel s  than   ind ic at ed  in th e Ma rk et  Sch e du le . T his m ea ns  ther e is  sp a r e g enera ti on  ca pacit y avail able (r eser ve)   wh i ch  can  be  quic kly  bro ught  onli ne  if  need e d.   T o  m a intai n  the  dem and - s upply  balance,  this  rese r ve  m eans  that  so m e   gen e rato rs  will   be  co ns trai ne d  do wn   w hile  oth e rs  m ay   be  co ns trai ned  on / up,  agai n  le ading   t o  the   act ual   disp at c h dev ia t ing   from  the Mark et   Sche dule  [1 4 ].       3.   AR TIF ICIAL  N EU R AL  NETWOR KS &   SHO RT - TE R M  LO A D  FO REC AS TI NG   In  m achine  le arn i ng  an d  c ogni ti ve  sci ence,   a rtific ia l  neural  netw orks  ( ANNs)  are   a  fam i l y  of  m od el s   insp ire d  by  bi ologica l  ne ur al   netw orks   (t he   central   ne rvo us   syst em s  of   anim a ls,  in  part ic ular  the   brai n)  a nd   are  us e d  to   est im at e  or   ap pro xim at e  fu nctions  that  can  dep e nd   on  a  la r ge  num ber   of   i nput s  an d  are  ge ne rall y  unknow n   [1 7 ] .   Ar ti fici al   neural  netw orks  are  generall y  pr esente d  as  syst e m s  of   interconnecte d  " ne uro ns "   wh ic h  exc ha nge  m essages  bet ween   eac h  othe r   [ 18 ] .  T he  co nn ect io ns   ha ve   nu m eric  weig hts  that  can  be  tun e d  base d  on   ex pe rience,   m aking  ne ur al   nets  a da ptive  to   in pu t s  an d  ca pa ble  of   le a rn i ng.  F or  e xam ple,  a  ne ur al   netw ork for  ha ndwr it in g reco gn it io n  is  def i ne d by a set  of  i nput  neur on s   wh ic h  m ay  b e act ivate d  by t he  p ixels   of   a n  in put  im age.  A fter  be ing   weig hted   and   t ran s f orm ed  by  a  f unct ion   ( determ i ned   by  the  ne twork' s   desig ner),  t he  act ivati on s  of   t hese  ne uro ns   a re  then  passe d  on   t o  o t her   ne uro ns   [ 1 9 ] .  T hi s  process  is  re peated   un ti l  fi nally ,  an  ou t pu t  ne uro n  is  act ivate d.   This  determ ines  w hich  cha ra ct er  was   rea d.  Like  oth er   m a chine   le arn in g  m et ho ds   –   syst em s  t hat  le arn   from   data - neural  net works  ha ve  be en  use d  t o  so l ve  a  wi de  va ri et y  of   ta sk s  that  are  hard  to  s olv e  us in g  ordi nar y   ru le - base d  pr ogram m ing ,  in cl ud in g  c om pu te r  visio n  an d  sp eec h  recog niti on   [ 20 ].   Fo r   sho rt - te rm   load  f or ecast i ng,  the  Ba c k - Pr opa gatio n  N et work   (BP )  ne twork  is  t he  m os t  widely   us e d  one.   D ue   to  it s  abili ty   to  ap pro x im at e  any  cont inu ous  nonlin ear  f unct ion,  the  BP  netw ork  has   extra ordina ry  m app in g  (fo re cast ing )  a bili ties.  The  BP  net work   is  a  kind   of   m ultilay er  feed   f orwa rd   ne twork ,  and  the tra nsfe r  functi on w it hi n  the n et w ork i s u su al ly  a n onli near   functi on su c h  as the   S igm oid  f un ct io n.  T he   ty pical   BP  network   st ru ct ur e   fo r  s hort - te r m   load  foreca sti ng   is  a  thre e - la ye r  netw ork,   wit h  the  no nlinear   Sigm oid  f unct ion  as the  tra nsf er f unct io n  [ 21 ] .   Fu ll y con ne ct ed  BP n et w orks need  m or e trai ning tim e a nd  a re   no t  a da ptive  e noug h  t o  te m per at ur e   cha nge s  there fore  s om e  hav e  m ov e d  to  us in g  non - f ully   connect ed  BP   m od el s  [22 ] .  Althou gh  a  fu l ly   connecte d  ANN  ca n  ca pt ur e   the  l oad  c har act erist ic s,   a  non - f ully   co nn ect e d  ANN  is  m or e  adap ti ve  to  res pond  to  tem perat ur e  cha nges.  Re su lt s  al so   show  that  the  f oreca sti ng   accu r acy   i s   sign ific a ntly   im pr ov e d  f or   a bru pt  tem per at ur e  c ha ng i ng   da ys.  The re  is  al so   m erit   in  com bin ing   seve r al   su b - ANNs  t og et he r  to   gi ve  bette r  f oreca sti ng  res ults  su c h  as  us i ng  rec urre nt  hi gh  or de r  neural  net works   (RH ONN)   [ 23 ] .  Du e  to  it s  dy nam ic   natur e,   the  RHO NN   forecast in g  m o del  can  ada pt  qu ic kly  to  cha ng i ng   conditi ons  su c h  as  im po rtant   load  var ia ti on s  or   c ha ng es  of  the  daily   load  patte r n  [ 22 ] .   A  bac k - pro pa gation  netw ork  is  a  ty pe  of  a rr ay   whic h  can  reali ze  nonlinea r  m app in g   f r om   the  i nputs  to  t he  outpu ts.  The refore ,  t he   sel ect ion  of in pu t  var ia bles of a lo ad f or eca sti ng  net w ork  is ver y i m po rta nt.  I n  ge ne ral, ther e a re tw o  se le ct ion  m et ho ds.  O ne  is  base d  on  e xperie nce  an d  t he  oth er   is  bas ed  on   sta ti sti cal   analy sis  su c h  as  the   ARIM A  an d  correla ti on an a ly sis.   Fo r  in sta nce,  we  can  de note   the  load  at   ho ur  k  as  l(k )  s o  a  ty pical   selecti on   of  inpu ts  based   on   op e rati on  ex pe rience  will   be  l(k - 1),  l(k - 24 ),  t(k - 1) ,  wh e re  t(k)   is  the  temperat ur e  co rr e s pondin g  to  the   load  l(k).  Un li ke  th o se  m et ho ds  wh ic h  a re  bas ed  on  e xp e rie nce,   we   can   a pp ly   a uto - co rrel at ion   a naly sis  on  t he   histor ic al   loa d  data  to d et erm i ne  the   in pu t va riables. Auto - c orrelat ion   a nal ysi s  sh ould   sho w  that  c orrelat ion  of   peaks  occurs  at   the  m ulti ples  of   24 - hour  la gs.  T his  in d ic at es  that  the  l oa ds   at   the  sam e  hour s   ha ve  ve ry  s tro ng  correla ti on  wi th  eac h  oth e r.  The refo re,  t hey  ca n  be  c ho s en   as  i nput   var ia bles.  I n  a dd it io n  t o  us i ng  conve ntion al   inf or m at ion   s uc h  as   hist or ic al   loads   an d  te m per at ur e   as  in put  va riables ,  w ind - sp ee d,  s ky - co ve r   can  al s o  be  use d.   Po te ntial   input  var ia bles  cou l d  be  histo r ic al   loads,  hist or ic al   a nd  f uture  te m per at ur e s,  hour  of   day  ind e x,   da y  of   wee k  in de x,   wind - s pee d,  sk y - c over,  rainf al l  an d  wet  or  dr y  days.    Th ere  are  no  hard - fast   ru le s  to  be  f ol lowed   to  d et erm ine  inp ut  var ia bles.  Thi s  la rg el y  dep e nd s  on   e ng i ne erin g  judgm ent  and  exp e rience .  [ 24 ]   found  that  f or   a  norm al   cl i m at e  area,  histor ic al   load s,  hi storical   &  fu t ure  tem per at ur e s,  hour  of   day  an d  day   of   wee k  ind e x  are  su f fici ent  to  giv e  acce pta ble  foreca sti ng   resu lt s.  H ow e ver,  for  an  ext r e m e   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Forec as ti ng  Shor t - te r m  W ho le sa le  Prices  on  the I ris h  ...   ( Fran ce sco  Arci)   4065   weathe r - c ondit ion e d  area  th e  oth er  i nput   var ia bles  cl a sses  were  rec omm end ed ,  be cause  of  the   highly   nonlinea r  relat i on s hi p betwee n  the  loa ds  a nd  the  weathe r  c onditi ons.       4.   A  S HO RT - TE RM EL ECTR ICITY M A R KET  FO REC AS TI NG  MO DEL   Ar ti fici al   Neur al   Netwo r ks   ( ANNs )  can  on ly   per form   wh at   they   wer e  trai ned   to  do.  T her e fore,  to   achieve  s hort  te rm   load  f or e cast ing ,  t he  se le ct ion   of  the   trai ning  data   is  a  cru ci al   on e .  T he  crit e ria  for   sel ect ing  the  tr ai nin g set  is th at  the ch a racter ist ic s o f  al l t he t rainin g pairs i n  the  traini ng s et   m us t be like  tho s e   of   the  day  to  be  f or ecast e d.   Choosin g  as  m any  trai nin g  pairs  as  possi bl e  is  no t  the  correct   ap proac h  f or   a   nu m ber   of  reas on s .  O n  reas on  is  load  per io di ci ty .  Fo r  instance,  each  day  of   t he  wee k  ha s  diff e ren t  patt ern s .  Ther e f or e,   us ing  S undays'   load   data   to  t r ai n  the   net wor k  wh ic h  is  t o  be  us e d  to   f oreca st  Monday s '   loads   would  le ad   to  wrong   res ults.  Also ,   as  l oads  po s sess  dif fer e nt  tre nd s   in   dif fer e nt  pe rio ds,   rece nt  data   is  m or e  us ef ul  th a n  ol d  data.  Th ere for e,  a  ver y  la r ge   trai ning  set   w hich  incl ud e s  old   data  is  le ss  us ef ul  to  tra ck  the  m os t recent tre nd s .    To  obta in  good  f oreca sti ng   res ults, d ay  ty pe  inf or m at ion  m u st be conside re d.   We can  ac hieve  this by   const ru ct in g  di ff e ren t  A NN s   for  e ac h  day  t ype  a nd  fee ding  eac h  A NN  the  c orres ponding  da y  ty pe  tr ai ni ng   set s  [ 25] ,   [ 2 6 ] .  Anot her   way  is  to  us e  only   on e  A N N  but  co ntain  the   day  ty pe  inform ation   in  the   input   var ia bles  [2 7 ] .   The   tw o  m eth ods   ha ve  t heir  a dv a ntage s  a nd  disa dvanta ges.  The   f orm er  us es  a   num ber  of   relat ively   s m all  siz e  networks ,  w hile  the  la tter  has  only   one  netw ork  of  a   relat ively   la rge  siz e.  The  da y  ty pe   cl assifi cat ion   is  syst e m   dep e nd e nt  e.g.  the  load  on  Mo nday   m a y  be  li k e  that  on   Tues days  bu t  not  al ways .   Ther e f or e,  one   op ti on  is   to  cl assify   histor ic a l  loads  into  cl asses  su c h  as  Monday ,  T uesd a y - Th ur s day,  F r iday ,  Satur day,  an d  Sund ay /P ub li c   ho li day.  T he  Ba ck - P r op a gat ion   al gorithm   is  widely   us ed   in  sh ort - te rm   load   forecast in g  a nd  has  s om e  good  feat ur es   s uc h  as ,  it s  a bili ty  to  easi ly   acc om m od at e  weat her  va riables,   and  it s   i m plici t  exp re ssion s   relat in g  inputs  an d  outp uts,  bu t  it   is  al so   a  ti m e - consum ing   tra ining   proce ss  and   it s  conve rg e nce  to  local   m ini m a  [2 8] ,   [ 2 9 ] .  T he  determ inatio n  of   the  op ti m al   nu m ber   of  hidde n  ne uro ns   is  a  cru ci a l  issue .  If   it   is  too   s m al l,  the  netwo r k  can not  po ssess  suffici en t  inform ation ,   and   the re fore   yi el ds   inaccu rate f or e cast ing   res ults. On the  o t her h and, if  it  is to o l arg e,  the t raini ng pr ocess wil l be  ve ry lo ng  [ 30 ].   Othe r  key  fact or s   are   to   dete r m ine  how   bi g  the  pr e dicti on  window  sho uld   be.  F or  insta nce,   it   co uld  po s sibly   be  c ol d  in  on e  m onth  so   is  t his  va li d  12  m on th s  la te r.   T he  f oreca st  horiz on  is  day  +  1  -   a nd   f or  rem ai nd er  of   da y.  This  is  fo r   the  nex t  avail able  m ark et .  The  m od el   m ay  al so   pro vid e  pr e dic ti on s  for   48 /7 2  hours.  T his  wil l  le ad  of   c ours e  to  dim ensioned  res ults,  bu t  we  ass ociat e  a  corres pondin g  error   value .  N ot  al l  el ect rici ty   m ark et s  f ollo w  the   sam e  slots  so   in  pract ic e  we   aim   to  weathe r   forecast ,  m odel   netw ork  t opology  and   m or e.  S om e  of   the  m a in  facto rs  f or  forecast in g  are  dem and   f oreca st,  est i m at e d  po wer   producti on   capab il it y  and   avail able  inter connecti on  ca pa ci ty .  Ou tl ie rs  include  weat he r  eve nts,  s olar  ecl ipses  so   we  m us t   al so   be   care fu l   not  to  fa ct or  into  our  m od el .   The  i niti al   sta ge  in vol ves  de te rm ining   t he  input  var ia bles   from   the d em and ,   power p rod uction an d pr ic e  pr e di ct ion  d at a  w e   dow nlo a d from  SEMO   [ 15 ]  ca n   s ee   in  Ta ble  1 .       Table  1 .   K ey   da ta  f ie lds   Variables n a m e   The u n it of   m easu r e m en t   Exa m p le   Tr ad e date   Day   o f   m o n th   1  Feb 2 0 1 6   Deliv ery d ate   Half  Hou r   1  Feb 2 0 1 6  06 : 0 0   Ju risd ictio n     ROI/NI   Fo reca st  MW   Megawatts   2 5 5 1 .9 8   So larpo wer   Megawatts   0   So larpo wer  Utili za tio n   %   0   W in d p o wer   Megawatts   2022   W in d p o wer  Utiliz atio n   %   81   SMP   Euro   1 8 .9   Sh ad o w Pr ice   Euro   1 8 .80 9 9 9 9       We  plo t  a  subs et   of   data.  Fi gure  4  show s  S olar  po wer   pro du ct io n  in  Nor ther n  Ir el a nd.  The  val ue  of  horizo ntal  axis   is  tim e  do m ain   f r om   1 st   Feb  2016  t o  9 th   F eb  2016.  T he  Re d  li ne  i nd ic at es  the  s olar  powe r   pro du ct io n  (M W)   in  N ort hern  Ir el a nd   a nd   the  blu e  li ne  ind ic at es  the  s olar  powe r  uti li zat ion   rate  (%)   in  Northe rn Irel and.   In   Fig ur e   5 ,  th e  Re d  li ne   in di cat es  the  wi nd  powe r  produ ct ion   (M W)   in   N or t hern  Ir el and  an d  t he   blu e  li ne  i ndic at es  the  wi nd   powe r  util iz at ion   rate  (%)  in  N or t hern  I relan d.  I n   Fi gure  6 ,  t he  Re d  li ne  in di cat es   the  wind  po w er  pro duct ion   (M W)   in  the  Re public  of   Irel and   a nd   t he  blu e  li ne  in dic at es  the  wind  powe r  util iz at ion   rate  (%)   i n  th e  Re public  of   Ir el a nd.  T he re  is  no  so la r  powe r  pr oductio n  in  t he   Re public  of  I r el and .  Figure  7  s hows   the  dem and   pr edict ion   (Mega watt s)  of   t he  R epublic   of  Ir el a nd  an d  Northe r n  I relan d.  The   Re d  li ne  ind ic at es  the  dem and   (M W)   in  Re publi c  of   Ir el an d  a nd   t he  bl ue  li ne  in dicat es  th e  dem and   (M W)   in   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &   C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4060   -   4078   4066   Northe rn  Irel a nd.  Fig ur e 8   s hows  the SMP  f or  No rth  an d  S ou t h.  The R ed  li ne  ind ic at es the SMP ( E uro) in the   Re public o f Ire la nd  a nd the   blu e li ne  i nd ic at e s the sha dow p rice (E uro )  in  the Re public o f Irelan d.           Figure  4. S olar  pow e r pro du ct ion  i n Northe r n Ir el an d           Figure  5.  W i nd Producti on  po wer i n N or the r n Ir el an d   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Forec as ti ng  Shor t - te r m  W ho le sa le  Prices  on  the I ris h  ...   ( Fran ce sco  Arci)   4067       Figure  6.  W i nd Producti on  po wer i n  Re p.   of  Ir el an d           Figure  7. Dem and pre dicti on   in Rep ubli c of  Ir el an d   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &   C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4060   -   4078   4068       Figure   8 .   SMP  in No rthern  Ir e la nd  a nd  Re public o f  I relan d       Ti m e  series  predict ion   is  one   of  the  m os t  im po rtant  predi ct ion   that  c ollec t  past  obse r vations  of  a   var ia ble  an d  a naly ze  it   to  ob t ai n  the  un der ly ing   r el at ion s hip s  bet wee n  his torical   obser va ti on s,  but  tim e  series  has  pro per ti es  su c h  as  nonlin earit y,  chao ti c,   non - sta ti onar y  and   cy cl ic   wh ic h  cause  pro blem s.  An   adap ti ve   neural  net wor k  ba sed  f uzzy  inference  syst e m   (A N FI S )  i s  w her e  t he  le arn i ng   proces s es  are  perform ed  by   interl eavin g  th e  op ti m iz ation  of   t he  antece den t  a nd   c oncl us io n  par ts  par a m et ers.   The  ANFIS   m od el   we  are   us in g  is  a  Tak agi - ty pe  N eu r o - fu zzy   Netw ork  wh ic h  com bin es  neural  ne tworks  a nd  f uzzy  syst e m s.  Fu zzy   reasonin g  a nd  netw ork  cal c ulati on   will  b e a vaila ble sim ult aneously .   Be fore w e em plo y t he  ANFI S   m et ho d  to  for ecast  the d ai ly  e le ct rici ty  SM P d at a, the raw  d at a n ee ded   to  be  pr e proce ssed  to  get  the  pro per   in put  and   we  need   t o  determ ine  the  data  input  va ri ables.    O ne  in put  data   sam ple  inp ut  con sist s  of   P r oduction  Forecas ti ng   ( D - 2),  L oa d  F or ecast in g  (D - 2)  an d  P re vious  P rices  Window  (D - 9… D - 2). Th e d at a o f   pr oductio n  forec ast ing   a nd  loa d  f or ecast in g  ca n  be  ob ta in ed   f ro m   the  Ex - Ante   la g - 2  file .  The  data  of   pre vious  pri ces  window  can  be  obta ine d  from   the  Ex - A nte  file s  of   la g - 2,  la g - 3,   …,  la g - 9.   Pr od uctio n  f oreca sti ng   incl udes  9*2*48  var i ables,  L oad   F oreca sti ng   i nclu des  4* 2*48  va riables  an d  P re vious   Pr ic es  Win do w  incl udes  7*2*48  var ia bles .  O utput  (D)  i nclu des  48  vari ables  to  c om par e  with  c on t r ol  data .   This  ou t pu t c a n  see  in  Ta ble   2. .       Table  2 .   Four  Day Roll in g  L oad F or ecast   S a m ple     Prod u ctio n   Fo reca stin g   Load  Forecastin g   Previo u s Prices  W i n d o w   Ou tp u t   Co n trol Data ( Ou t p u t)   Data Sa m p le 1   D - 2   (9 - d ay  Fo reca stin g )   D - 2   (4 - d ay  Fo reca stin g )   EA( D - 9 ),  E A (D - 8 ) ,  …,   EA( D - 2)   D   EA( D )=  (H1,  H2  , …)   Data Sa m p le 2   D - 3   D - 3   EA( D - 1 0 ),   EA( D - 9 ),  …,   EA( D - 3)   D - 1   EA( D - 1)       We  ex per im ented  with  ot her  al go rithm   to  determ ine  the  par am et ers  of   the  ANFI S  m od el   ( Gr i d  Partit ion in g,  s ub t racti ve  cl us te ring  an d  FC M  cl us te rin g),   trai ning  m eth od  (SOM  al gorithm ,  Leve nb e r g - Ma rquardt al gorithm ,  Ba ye si an  Re gula rizat ion  a nd Scaled  Conj ug at e Gra dient) , A R m od el , s ta te  sp ace   m od el   and A R IMA X m od el , N eu ral  Netw ork  a nd F uzzy I nf e re nce  Syste m .   Nex t,  we  exam ine  our  feat ur e   sel ect ion   m e t hodolo gy.  Feat ur e  sel ect io n  is  the  process  of  sel ect ing   a   su bse t  of   r el e van t  fe at ur e s  for  us e  i n  m od el   c on st ru ct ion .  Feat ure  Sele ct ion   is  pl aced  into  tw o  m ai n  cat egories, w ra pp e r  m et ho ds  a nd  filt er  m et hod.  W r ap pe r  m e thods  e valuate  m ul ti ple  feature s  us i ng p r oce dures   that  ad d  an d/or   rem ov e  predic tors  to   fin d  t he   op ti m al   co m bi nation  t hat  m a xim iz es  m od el   perform ance.    W e  us e  Re c ur si ve  Feat ur e   Elim inati on   with  Ba c kw a r ds   Sele ct ion  in  our  featu re  sel ect ion  m od el   a nd  us e  R andom   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Forec as ti ng  Shor t - te r m  W ho le sa le  Prices  on  the I ris h  ...   ( Fran ce sco  Arci)   4069   Fo r ecast   Me th od  as  t he  f or ec ast ing   al gorith m .  An   obvious   co ncern   is  tha t  too  fe w  va riables  a re  sel ect ed  or   that  the  sel ect ed  set   of   in put  var ia bles  is  not  su ff ic ie ntly   inf or m at ive.  Ha lf - ho ur ly   SMP   it sel f  can  be  di vid ed  betwee n  the  s ha dow p rice an d u plift p rice.    The  SM P  f ollow s   cu stom er  dem and ,  as  a   m or e  exp e ns iv e  sta ck  of   ge ne rators  is  needed  to  m eet   dem and   w he n  it   is  high,  w her eas   at   lo w   dem and   ti m e s  dem and   ca n  be  m et   with  chea per   ge ne rators.  Appro xim at e ly  80 %  of   the  isl and’s  el ect rici ty   gen erati on  c om es  fr om   i m ported  f os sil   f ue ls,  with  m os t  this  in   the  f or m   of   ga s - fire d  ge nerat ion   plants,  t hough  t he  am ount  o f  ren e w able  ge ner at i on  (es pecial ly   wind)  is   increasin g.   Th e  sta rt  date  of  trai ning  date  was  20 - 11 - 2016  an d  the  la st  date  of  trai ni ng  date  was  20 - 1 - 2017.   The  pr e proces sing  inclu de d  norm al iz a ti on ,  separ at io n  of  i nput  a nd  outp ut,  rem ov al   of  the  col um n  wi th  ne a r   zero  va riance   an d  rem ov al   of  th e   col um n  with  hi gh  co rr el at io n.   The  i nputs  w ere  [" De li ve ry_D at e" ,   "Deli ver y _Ho ur","Deli ver y_ I nter val", "SMP _D_E uro", " S MP_D_Mi nus _6_E uro", " SMP_ D_ Mi nus _1 3_Eu ro " ,  "Lo ad Dem and ",  " Power _Pr oductio n_Ir el a nd " ,  " Ou t pu t _SM P_ E uro"].    The  resam pling   m et ho d  is   cv   (cross   validat io n) ,  t he   nu m ber   of   di vid ed  blo c ks   i s  9.   T he  W M  m et ho d  tu ning   Gr id  of  num .l abel   is  5,7,9, 11.  T he   no ta ti on  us e d  t hro ughout  the  pap e r  is  pro vi ded   i n  Tabl e  3 .  The  trai ning  data  is  sh ow n  in  Table  4 .  Th e  W M  m et ho ds are  show n  i n  Ta ble  5   an d  Ta ble  6   s hows  the  n e ur al   netw orks  m et ho ds.       Table   3 .   N om e nclat ur e  u se d   No tatio n   Meanin g   D   Rep o rt  d ate,  su ch  a s 1 1 /2 5 /1 6   D+2   The d eliv ery d ate  o f  pred icted  SM P,  su ch  as  1 1 /2 7 /1 6  ( 7 :0 0 a m   –   6 :3 0 a m +1 )   S MP D+2 h h   The o u tp u t ( 7 :0 0 a m   –   6 :3 0 a m +1 )   Deman d D+2 h h   The De m an d  corre sp o n d i n g  to th e outpu t ( 7 :0 0 a m   –   6 :3 0 a m +1 )   Pow er_ Irela n d D+2 h h   The p o wer  su m m a tio n  of  Solar po wer  an d  wind  po wer p rod u ctio n  in th e  wh o le I reland  ( 7 :0 0 a m   –   6 :3 0 a m +1 )   Pow er_ UK D+2 h h   The p o wer  su m m a tio n  of  Solar po wer  an d  wind  po wer p rod u ctio n  in th e  wh o le UK  m ain lan d  ( 7 :0 0 a m   –   6 :3 0 a m +1 )   S MP D+1 h h   The SMP  to m o r row (7:0 0 a m   –   6 :3 0 am +1 )   S MP D - 5hh   The week - ah e ad  S MP  o f  the p redicte d  date   S MP D - 12hh   The 2 - week ah e ad   SMP of  the p redict ed  date   S MP D+1 h h - 1   The SMP  of  prev io u s h alf  h o u r   S MP D+1 h h - 2   The SMP  of  prev io u s h o u r       Table  4.   T raini ng d at a  set   SMP  D  Euro   SMP  D - 1  Euro   SMP  D - 2  Euro   SMP  D - 3  Euro   SMP  D - 4  Euro   SMP  D - 5  Euro   SMP  D - 6  Euro   SMP  D - 13  Euro   SMP  HH - 1  Euro   SMP   HH - 2  Euro   Load   De m an d   Po wer  Prod   Ir elan d   Po wer  Prod   UK   Ou tp u t  SMP  Euro   3 4 .11   5 6 .12   3 5 .58   3 5 .45   3 5 .45   3 3 .85   3 6 .02   3 7 .27   3 8 .56   4 0 .22   3 3 3 2 .9 9   2632   6432   2 6 .82   3 4 .96   5 3 .31   3 4 .96   3 6 .22   3 5 .67   3 3 .85   3 9 .60   3 7 .22   3 4 .11   3 8 .56   3 6 1 7 .2 2   2632   6432   3 3 .29   3 7 .35   5 2 .05   3 5 .93   3 6 .22   3 7 .65   3 3 .93   4 8 .55   4 0 .12   3 4 .96   3 4 .11   4 0 4 4 .0 4   2622   6301   3 3 .37   4 6 .83   4 8 .49   3 6 .95   4 5 .34   4 9 .53   4 1 .99   5 8 .69   4 8 .23   3 7 .35   3 4 .96   4 5 9 8 .2 6   2622   6301   4 4 .12   5 3 .00   4 5 .41   3 9 .11   5 8 .81   5 4 .65   5 0 .07   4 9 .99   5 2 .00   4 6 .83   3 7 .35   4 7 9 4 .3 2   2588   6213   3 6 .26   5 3 .00   4 2 .83   4 5 .16   5 9 .50   5 4 .65   5 0 .07   4 8 .91   5 3 .24   5 3 .00   4 6 .83   4 8 4 8 .4 4   2588   6213   3 6 .26       Table  5.   WM  Me thods   W an g  and  M en d el  Fu zzy   Inf erence S y ste m   W an g  and  M en d el  Fu zzy  Ru les   Nu m  labels   RMSE   RSq u ared   Nu m  L ab els   RMSE   RSq u ared   5   0 .08 0 8 5 9 7 6 3 9 1   0 .61 6 4 1 4 8 1 0 4   5   0 .08 2 4 3 6 0 2 9 5 1   0 .49 4 4 0 1 7 3 2 3   7   0 .08 3 4 8 1 1 1 3 4 1   0 .59 8 5 5 3 2 1 7 1   7   0 .08 0 3 4 6 8 1 8 5 8   0 .53 2 9 7 4 3 3 2 9   9   0 .08 2 8 2 7 0 7 4 3 3   0 .60 4 5 3 6 7 7 7 5   9   0 .06 5 2 0 3 5 2 4 7 7   0 .58 0 2 9 8 4 6 0 9   11   0 .08 3 5 1 7 3 2 0 6 0   0 .60 3 1 9 3 8 9 0 4   11   0 .06 1 5 8 8 5 9 2 1 3   0 .61 1 7 2 6 5 5 5 4   13   0 .08 2 9 7 8 3 0 4 4 4   0 .60 8 7 7 3 8 0 9 1   13   0 .06 2 8 8 6 7 1 3 6 8   0 .59 9 5 7 5 4 1 5 4   15   0 .08 1 4 1 6 3 7 7 1 3   0 .61 3 3 5 1 4 1 2 9   15   0 .06 0 9 6 2 5 8 8 1 8   0 .60 6 4 9 9 6 3 8 1       Table  6.   Ne ur a l Netw ork  Me t hods   Neu ral  N etwo rk   Neu ral  N etwo rk w ith  Feature  Extract io n   Size   Decay   RMSE   RSq u ared   Size   Decay   RMSE   RSq u ared   7   0 .1   0 .05 2 7 0 5 2 4 8 9 4   0 .69 2 9 7 7 8 9 3 3   7   0 .1   0 .05 0 8 9 1 5 3 3 5 0   0 .72 0 8 9 3 3 8 4 3   7   0 .2   0 .05 3 4 7 3 1 1 1 4 0   0 .68 8 8 2 9 5 0 7 6   7   0 .2   0 .05 1 6 7 9 9 5 5 6 1   0 .71 4 0 0 1 9 1 2 8   7   0 .3   0 .05 4 5 3 9 6 3 4 1 4   0 .68 3 8 9 9 7 2 5 1   7   0 .3   0 .05 2 5 0 2 3 9 8 4 3   0 .70 5 4 3 8 4 8 2 0   7   0 .4   0 .05 5 7 3 6 1 4 6 6 8   0 .68 1 8 4 3 2 2 7 0   7   0 .4   0 .05 3 1 0 7 8 8 1 5 2   0 .69 9 1 3 6 7 9 9 7   7   0 .5   0 .05 6 9 7 1 7 9 1 8 4   0 .67 9 2 3 8 1 8 1 0   7   0 .5   0 .05 3 5 2 1 0 1 6 2 5   0 .69 3 9 2 9 1 5 9 2   9   0 .1   0 .05 2 7 1 4 5 2 6 3 4   0 .69 2 7 2 3 2 3 8 0   9   0 .1   0 .05 1 1 9 4 6 5 9 1 8   0 .71 7 5 1 9 9 8 0 1   9   0 .2   0 .05 3 4 4 6 1 1 8 6 9   0 .68 8 9 0 5 0 0 4 0   9   0 .2   0 .05 1 6 4 1 5 6 2 9 3   0 .71 4 6 2 5 6 6 8 3   9   0 .3   0 .05 4 3 7 6 6 7 3 8 8   0 .68 5 6 2 6 0 3 3 8   9   0 .3   0 .05 2 4 0 6 5 5 2 9 9   0 .70 5 4 1 8 8 3 3 6   Evaluation Warning : The document was created with Spire.PDF for Python.