Article Dans Une Revue Expert Systems with Applications Année : 2022

Multiresolutional Statistical Machine Learning for Testing Interdependence of Power Markets: A Variational Mode Decomposition-Based Approach

Résumé

In the increasingly interconnected and digitized world, the field of electricity price forecasting has benefited from growing research especially due to the market liberalization and the connectedness between electrical systems. This study defines a novel multiscaled forecasting model based upon the Variational Mode Decomposition (VMD) to quantify multiscaled cross-correlation between two important European markets during COVID-19 pandemic. The VMD is known to be a strong information processing tool which is localized in both frequency and time, and is especially used for capturing nonstationary and nonlinear behaviors of time series. The set of new VMD techniques is applied on hourly electricity spot prices from the Nord Pool and MIBEL energy exchanges for the period ranging from January 2019 to March 2020. The sampled time series include a period of specific recession in the financial system, coinciding with the Brexit and COVID-19 event, which was accompanied by a significant collapse in the world’s economic sphere. The empirical results reveal a significant dependence between electricity markets across long- and medium-run investment time horizons, with evidence for dynamic lead–lag relationships at some frequency sub-bands. However, over the short-term (daily and intra-daily intervals), we notice a kind of independence between markets, especially in times of crisis, which offers investors different investment diversification opportunities. On the other hand, the accuracy of generated forecasts prove the interest of a conjoint modeling and the reliability of this new tool, in particular when the approach is adequately coupled with feedforward neural networks.

Dans un monde de plus en plus interconnecté et numérisé, le domaine de la prévision des prix de l'électricité a bénéficié d'une recherche croissante, notamment en raison de la libéralisation du marché et de la connectivité entre les systèmes électriques. Cette étude définit un nouveau modèle de prévision à échelles multiples basé sur la décomposition en modes variationnels (VMD) pour quantifier la corrélation croisée à échelles multiples entre deux marchés européens importants pendant la pandémie de COVID-19. La VMD est connue pour être un outil de traitement de l'information puissant qui est localisé à la fois dans la fréquence et le temps, et qui est particulièrement utilisé pour capturer les comportements non stationnaires et non linéaires des séries temporelles. L'ensemble des nouvelles techniques VMD est appliqué aux prix spot horaires de l'électricité provenant des bourses de l'énergie Nord Pool et MIBEL pour la période allant de janvier 2019 à mars 2020. Les séries temporelles échantillonnées comprennent une période de récession spécifique dans le système financier, coïncidant avec le Brexit et l'événement COVID-19, qui a été accompagné d'un effondrement significatif dans la sphère économique mondiale. Les résultats empiriques révèlent une dépendance significative entre les marchés de l'électricité sur des horizons d'investissement à long et moyen terme, avec des preuves de relations dynamiques de type « lead-lag » dans certaines sous-bandes de fréquence. Toutefois, à court terme (intervalles quotidiens et intra-quotidiens), nous constatons une sorte d'indépendance entre les marchés, en particulier en période de crise, ce qui offre aux investisseurs différentes possibilités de diversification des investissements. D'autre part, la précision des prévisions générées prouve l'intérêt d'une modélisation conjointe et la fiabilité de ce nouvel outil, en particulier lorsque l'approche est couplée de manière adéquate avec des réseaux neuronaux de type feedforward.

Fichier non déposé

Dates et versions

hal-05238304 , version 1 (03-09-2025)

Identifiants

Citer

Foued Saadaoui, Sami Ben Jabeur, Salma Mefteh-Wali. Multiresolutional Statistical Machine Learning for Testing Interdependence of Power Markets: A Variational Mode Decomposition-Based Approach. Expert Systems with Applications, 2022, 208, pp.118161. ⟨10.1016/j.eswa.2022.118161⟩. ⟨hal-05238304⟩

Collections

31 Consultations
0 Téléchargements

Altmetric

Partager

  • More