Aufgrund der Energiewende in Deutschland und das damit verbundene Erneuerbare- Energien-Gesetz ist der Anteil der erneuerbaren Energien am Energieversorgungsmarkt in den letzten Jahren stetig gestiegen. Durch diesen Anstieg und den daraus resultierenden Strompreisrückgang an der Strombörse stehen insbesondere konventionelle Energieversorger vor neuen Herausforderungen. Eine exakte und zielgerichtete Prognose der künftigen Preisbewegungen spielt daher eine wichtige Rolle für das Risikomanagement und die Planung der Energiekonzerne. Die vorliegende Masterarbeit befasst sich mit der Anwendung künstlicher neuronaler Netze zur Prognose von Strompreisen an der Strombörse EEX (European Energy Exchange) in Leipzig. Im Gegensatz zu klassischen statistischen Prognosemodellen können künstliche neuronale Netze "aus Erfahrungen lernen". Auch wenn die zugrundeliegende Datenstruktur nichtlinear, zu komplex oder unbekannt ist, können künstliche neuronale Netze von den eingespeisten Daten "lernen" und adaptieren. Da Strompreise einer nichtlinearen Struktur folgen, werden künstliche neuronale Netze als Prognosemodell verwendet. Insbesondere wird in dieser Arbeit das Modell von Pao auf die Strompreise am Spotmarkt der EEX angewendet. Zum einen werden Daten von November 2002 bis Oktober 2005 und zum anderen Daten von 2010 bis 2012 herangezogen um die Prognosegenauigkeit des Modells zu analysieren und die Funktionalität des Modells aufgrund veränderter Marktbedingungen und Regulatorien zu testen. Desweiteren werden Vergleiche mit stündlichen Preisdaten betrachtet. Zur Evaluierung des Modells wird eine Kreuzvalidierungsmethode verwendet.     «

Aufgrund der Energiewende in Deutschland und das damit verbundene Erneuerbare- Energien-Gesetz ist der Anteil der erneuerbaren Energien am Energieversorgungsmarkt in den letzten Jahren stetig gestiegen. Durch diesen Anstieg und den daraus resultierenden Strompreisrückgang an der Strombörse stehen insbesondere konventionelle Energieversorger vor neuen Herausforderungen. Eine exakte und zielgerichtete Prognose der künftigen Preisbewegungen spielt daher eine wichtige Rolle für das Risikomanagement...     »

Due to the energy turnaround in Germany and the associated Renewable Energy Sources Act, the share of renewable energy sources on the power market has increased continually in the recent years. As a consequence of this growth, electricity prices declined at the energy exchange forcing conventional energy generating companies to face new challenges. Hence, an accurate and target-oriented prediction of future price movements plays an important role in regard to risk management and planning of these companies. This thesis deals with the forecasting of electricity prices using artificial neural networks at the European Energy Exchange (EEX) based in Leipzig. In contrast to traditional statistical forecasting models, artificial neural networks are able to "learn from their experience". Even if the underlying data structure is nonlinear, too complex or not known, artificial neural networks are able to adapt the underlying pattern from the data fed into the network. Since electricity prices follow a nonlinear structure, an artificial neural network model is chosen to forecast future electricity prices. In particular, the artificial neural network model proposed by Pao is used in this thesis and applied to day ahead electricity prices of the spot market at the EEX. On the one hand, data from November 2002 to October 2005 and on the other hand data from 2010 to 2012 is considered to analyze the prediction accuracy and to test the functionality of the model in a changing market environment and regulatory conditions. Furthermore, comparison between daily and hourly day ahead forecasting is carried out. In order to evaluate the performance of the model, a cross validation method is used.     «

Due to the energy turnaround in Germany and the associated Renewable Energy Sources Act, the share of renewable energy sources on the power market has increased continually in the recent years. As a consequence of this growth, electricity prices declined at the energy exchange forcing conventional energy generating companies to face new challenges. Hence, an accurate and target-oriented prediction of future price movements plays an important role in regard to risk management and planning of thes...     »