Forecasting electricity prices in the Polish Day-Ahead Market using machine learning models

Given the constantly changing market situation for electricity prices, driven by shifts in the  energy mix, regulatory reforms, and broader socio-economic factors, it is necessary to reassess  the understanding of price forecasting periodically. Traditional statistical methods may struggle  when faced with heightened volatility, nonlinear dependencies, and rapidly changing input  features. In contrast, machine learning models, particularly Artificial Neural Networks (ANNs),  can adapt more effectively to complex, non-stationary patterns in price time series. In this study,  six distinct artificial neural network (ANN) architectures were developed and trained using eight  years of historical Polish Day-Ahead Market electricity price data (2016–2024). Four of these  were plain deep learning models: a Multilayer Perceptron (MLP), a Convolutional Neural Network  (CNN), a Long Short-Term Memory (LSTM) model, and a Gated Recurrent Unit (GRU) model.  Two others were hybrid models combining convolutional layers with recurrent layers. The hybrid  architectures, namely CNN+LSTM and CNN+GRU, were designed to leverage the capacity of  CNN to automatically extract features from narrower sliding windows of past prices and the  LSTM/GRU layers’ ability to capture long-term temporal dependencies. The models’ performances  were evaluated using three metrics: Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and the coefficient of determination (R2). The top-performing CNN+LSTM achieved an  MAE of 75.21 PLN/MWh, an RMSE of 103.64 PLN/MWh, and an R2 of 0.59. Results were also  compared against several models previously reported in the literature. These results may be used to  improve price forecasting by indicating the optimal pathways for building forecasting models and,  in extension, lead to more efficient power system planning.

---

Ze względu na stale zmieniające się ceny energii elektrycznej, spowodowane zmianami w miksie  energetycznym, regulacyjnymi i innymi czynnikami społeczno-ekonomicznymi, konieczne staje się okre sowe weryfikowanie podejścia do prognozowania cen. Tradycyjne metody statystyczne mogą zawodzić  w warunkach nasilonej zmienności, nieliniowych zależności i często zmieniających się cech wejściowych.  Modele uczenia maszynowego, a zwłaszcza Sztuczne Sieci Neuronowe (SSN), potrafią skutecznie dostosowywać się do złożonych, niestacjonarnych wzorców w szeregach czasowych. W niniejszym badaniu opra cowano i wytrenowano sześć różnych modeli SSN, korzystając z danych historycznych z Polskiego Rynku  Dnia Następnego z lat 2016–2024. Cztery z tych modeli to czyste modele głębokiego uczenia: wielowar stwowy perceptron (MLP), sień konwolucyjna (CNN), długa pamięć krótkotrwała (LSTM) oraz bramkowa  jednostka rekurencyjna (GRU). Dwa pozostałe to architektury hybrydowe, oznaczone jako CNN+LSTM  i CNN+GRU, łączą zdolność CNN do wychwytywania cech z węższych okien czasowych i umiejętność  warstw rekurencyjnych do uczenia się zależności długoterminowych. Wydajność modeli oceniano na pod stawie trzech miar: średniego błędu bezwzględnego (MAE), pierwiastka ze średniego błędu kwadratowego  (RMSE) i współczynnika determinacji (R2). Najlepsze wyniki osiągnęła architektura CNN+LSTM, uzy skując MAE na poziomie 75,21 zł/MWh, RSME równe 103,64 zł/MWh i R2 wynoszące 0,59. Wyniki te  mogą zostać wykorzystane do usprawnienia procesów prognozowania cen energii elektrycznej poprzez  wskazanie wytycznych dotyczących projektowania modeli prognostycznych opartych na uczeniu maszy nowym, co z kolei może wiązać się z wydajniejszym planowaniem działania systemu energetycznego.