Live Training | Python per il forecasting energetico
Creare modelli da applicare per prevedere domanda e prezzo di EE e Gas e per ottimizzare il portafoglio 29 Giugno 30 Giugno 2020,

Programma

*Il corso si svolgerà sulla piattaforma Zoom. Per garantire la praticità e l'interazione del corso, per ciascuna macro-tematica il docente  farà prima una dimostrazione di programmazione e codifica su Python, poi lascerà del tempo ai partecipanti per riprodurre quanto appreso. Alla fine ciascun partecipante condividerà il proprio schermo per permettere al docente di verificare quanto fatto.*

 

29 giugno 2020  dalle 9.00 alle 17.30

Applicare Python per prevedere la domanda e il prezzo di elettricità e gas per mezzo di modelli econometrici

Modelli puramente regressivi

  • Componenti delle serie storiche orarie e giornaliere
  • Metodi per approssimare le componenti stagionali (sinusoidi, splines)
  • Metodi di approssimazione del trend (splines)
  • Dipendenza non-lineare dalla temperatura (splines)

Modelli di serie storiche classici

  • Processi stazionari vs. integrati
  • Autocorrelazioni e autocorrelogramma
  • Processi ARMA

Modelli a componenti non osservabili (UCM)

  • Versione stocastica delle componenti deterministiche
  • Forma state-space
  • Porre gli UCM in forma state space
  • Inizializzazione delle componenti e dei parametri da stimare
  • Previsore, filtro e smoother
  • Individuazione e trattamento dei valori anomali

Confronto tra modelli

  • Confronto in-sample e out-of-sample
  • Test di equivalenza predittiva

Estensione non-lineari

  • Modelli per la volatilità
  • Modelli regime-swiching (Markov e threshold)

Modelli multivariati

  • Componenti principali
  • Regressione a rango ridotto
  • Cointegrazione tra prezzo dell’elettricità e fuels

Previsioni a lungo termine

  • Scenari
  • Metodo Monte Carlo

Emanuele Aliverti - Post Doctoral Researcher - Università degli Studi di Padova


30 giugno 2020  dalle 9.00 alle 17.30

Applicare Python per prevedere la domanda e il prezzo di elettricità e gas per mezzo di modelli di machine learning

 

La creazione di features per la previsione di serie storiche di domanda e prezzo di elettricità e gas orarie e giornaliere

Distorsione vs. varianza e selezione del modello di ML

  • Overfitting
  • Cross-validation
  • Train set vs. test set

Reti neurali

  • Single-layer perceptron
  • Multi-layer perceptron
  • Recurrent networks

Support Vector Machines

  • Idea di base per la classificazione
  • Estensione al problema della regressione

Alberi decisionali e foreste casuali

  • Alberi e loro problemi
  • Il bagging e le foreste casuali

Esplorare i modelli ML

  • Importanza delle variabili
  • Relazione tra le variabili

Arianna Bellino - Data Scientist - Miriade