Die Strompreise des Day-Ahead-Marktes dienen im Allgemeinen als Referenzpreise zur Bewertung von Energieportfolios, d.h. Kauf- und Verkaufsstrategien basieren in der Regel auf Day-Ahead-Spotmarktpreisen. Für Energiehändler und Versorgungsunternehmen sind leistungsfähige Prognosemethoden für Day-Ahead-Preise daher von unerlässlicher Bedeutung.
In dieser Studie wird eine Methodik basierend auf künstlichen neuronalen Netzen (engl. „ANN, artificial neuronal networks“) vorgestellt. Da die Performance von ANN-Prognosemodellen wesentlich von angemessenen Inputdaten abhängig ist, liegt der Fokus zunächst auf der Auswahl und der Aufbereitung der Input-Daten, die einen signifikanten Einfluss auf die Strompreise haben. Nach der Anwendung einer Filtermethode zur Auswahl der relevanten Daten und weiteren Aufbereitungsschritten wird ein ANN-Prognosemodell mit unterschiedlichen Konfigurationen entwickelt. Die ANN-Konfiguration und die zugehörigen Parameter haben einen großen Einfluss auf die Modellergebnisse, deshalb wird die Bestimmung der optimalen Parameter untersucht. Hierfür werden zum einen bekannte ANN-Konfigurationsmethoden verwendet und zum anderen die Ergebnisse der relevantesten vorab ausgewählten Konfigurationen verglichen.
Die Ergebnisse des ANN-Modells mit optimierten Parametern zeigen, dass die Methodik generell zu gut zutreffenden Prognosen führt und verglichen mit aus der Literatur bekannten Modellen gleich große oder sogar niedrigere Validierungsfehler (RSME) liefert.