Detailansicht
Application and analysis of generative AI algorithms for probabilistic energy forecasts
Verena Alton
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Computational Science
Betreuer*in
Lukas Exl
DOI
10.25365/thesis.78582
URN
urn:nbn:at:at-ubw:1-26519.82073.631567-5
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Probabilistische Prognosen sind entscheidend für den optimalen Betrieb moderner Energiesysteme, insbesondere angesichts volatiler erneuerbarer Energiequellen. Diese Arbeit untersucht die Anwendung von Generative Adversarial Networks (GANs) zur probabilistischen Vorhersage von Day-Ahead-Strompreisen. Drei verschiedene Conditional Time Series GAN (CTSGAN)-Modelle werden implementiert, wobei exogene Faktoren wie Stromlast und Prognosen der erneuerbaren Erzeugung berücksichtigt werden. Die Modellleistung wird mit traditionellen Prognosemethoden, einschließlich SARIMAX und LSTMs, verglichen, wobei Metriken wie der Continuous Ranked Probability Score (CRPS) sowie ein einfacher Optimierungsansatz für eine Handelsstrategie verwendet werden. Dies hebt die Vorteile von GAN-basierten Ansätzen bei der Erfassung komplexer Abhängigkeiten und der Generierung realistischer probabilistischer Vorhersagen hervor. Die Ergebnisse zeigen, dass CTSGANs die Basismodelle hinsichtlich Prognosepräzision und Zuverlässigkeit sowie der Optimierungsergebnisse übertreffen und wertvolle Einblicke für Marktteilnehmer und Netzbetreiber liefern.
Abstract
(Englisch)
Probabilistic forecasting is essential for the optimal operation of modern energy systems, particularly in the presence of volatile renewable energy sources. This thesis investigates the application of Generative Adversarial Networks (GANs) for probabilistic forecasting of day-ahead electricity prices. Three different Conditional Time Series GAN (CTSGAN) models are implemented, incorporating exogenous factors such as electricity load and renewable generation forecasts. The model’s performances are evaluated against traditional forecasting methods, including SARIMAX and LSTMs, using metrics like the Continuous Ranked Probabilty Score (CRPS) as well as a simple optimisation approach for a trading strategy, highlighting the advantages of GAN-based approaches in capturing complex dependencies and generating realistic probabilistic forecasts. The results demonstrate that CTSGANs outperform baseline models in terms of forecast sharpness and reliability as well as optimisation results, providing valuable insights for energy market participants and grid operators.
Schlagwörter
Schlagwörter
(Deutsch)
generative KI probabilistische Prognose Energiesystem Strompreis Generative Adversarial Network
Schlagwörter
(Englisch)
generative AI probabilistic forecast energy system electricity price Generative Adversarial Network
Autor*innen
Verena Alton 
Haupttitel (Englisch)
Application and analysis of generative AI algorithms for probabilistic energy forecasts
Paralleltitel (Deutsch)
Anwendung und Analyse generativer AI Algorithmen für probabilistische Vorhersagen energiesystemrelevanter Variablen
Publikationsjahr
2025
Umfangsangabe
72 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Lukas Exl
Klassifikationen
50 Technik allgemein > 50.70 Energie. Allgemeines ,
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC17560889
Utheses ID
75698
Studienkennzahl
UA | 066 | 910 | |