| Abstract : | Η εξελισσόμενη ενεργειακή κρίση του 2022 προκάλεσε πρωτόγνωρη άνοδο στις τιμές της ηλεκτρικής ενέργειας στις χώρες τις Ευρωπαϊκής Ένωσης (ΕΕ). Η εξάρτηση του ενεργειακού κλάδου της Ευρώπης από τις εισαγωγές του φυσικού αερίου αντιμετωπίστηκε για πρώτη φορά ως πρόβλημα δημόσιας ασφάλειας όταν η κυβέρνηση της Ρωσικής Ομοσπονδίας διέταξε την εισβολή στην Ουκρανία. Η διαταραχή της αγορά φυσικού αερίου οδήγησε στην απότομη άνοδο της τιμής του, ενώ στη συνέχεια παρασύρθηκαν οι τιμές των περισσότερων ορυκτών καυσίμων και της ηλεκτρικής ενέργειας. Σκοπός της παρούσας εργασίας είναι να διερευνηθεί για χώρες διαφορετικών ενεργειακών μιγμάτων η επίδραση της τιμής του φυσικού αερίου στην τιμή της ηλεκτρικής ενέργειας καθώς και να προβλεφθεί η εξέλιξη της τελευταίας μέσω ενδεικτικών σεναρίων. Για την αντιπροσώπευση συστημάτων ηλεκτρικής ενέργειας διαφορετικών ενεργειακών μειγμάτων, επιλέχθηκαν τρείς χώρες – η Ελλάδα, η Πολωνία και η Σουηδία. Η μηχανική μάθηση εφαρμόζεται ευρέως στο ενεργειακό κλάδο για την παραγωγή προβλέψεων. Στη παρούσα εργασία, για κάθε χώρα εκπαιδεύτηκαν τέσσερα μοντέλα – η πολλαπλή γραμμική παλινδρόμηση, το δένδρο αποφάσεων, το μοντέλο τυχαίου δάσους και το μοντέλο ενίσχυσης κλίσης. Με βάση το σφάλμα πρόβλεψης επιλέχθηκε το καταλληλότερο μοντέλο ανά περίπτωση και στη συνέχεια χρησιμοποιήθηκε για την εφαρμογή των σεναρίων. Τα εξεταζόμενα σενάρια μελετήθηκαν με την βοήθεια της γραμμικής παλινδρόμησης και βασίστηκαν στα μέσα προφίλ κατανάλωσης και παραγωγής ηλεκτρικής ενέργειας κάθε χώρας. Πιο συγκεκριμένα, τα ενεργειακά μείγματα των χωρών διαφοροποιήθηκαν σε κάθε σενάριο ανάλογα με τις υποθέσεις του (π.χ. απανθρακοποιήση ή αποπυρηνικοποίηση με φυσικό αέριο, αντικατάσταση φυσικού αερίου με άνθρακα ή με πυρηνική ενέργεια, περαιτέρω διείσδυση των ΑΠΕ). Επιπλέον, κάθε σενάριο εμφανίζεται με δυο παραλλαγές, ανάλογα με το αν οι τιμές του φυσικού αερίου διαμορφώνονται σε υψηλά ή σε χαμηλά επίπεδα. Τα αποτελέσματα έδειξαν ότι οι τιμές του φυσικού αερίου επηρεάζουν όλες τις χώρες, ανεξαρτήτως αν αυτές είναι άμεσα ή έμμεσα (π.χ. μέσω διασυνδέσεων με άλλες εξαρτώμενες από το φυσικό αέριο χώρες) εξαρτημένες από τα ορυκτά καύσιμα. Αποδείχθηκε ότι για τις χώρες, οι οποίες στηρίζονται σημαντικά σε ορυκτά καύσιμα, η ανάπτυξη των ΑΠΕ θα περιόριζε τη δυνητική αύξηση των τιμών ηλεκτρικής ενέργειας κατά 15% και θα βοηθούσε στην απόκτηση ενεργειακής ανεξαρτησίας. Αντίθετα, οι χώρες που εκμεταλλεύονται τη πυρηνική ενέργεια για την παραγωγή ηλεκτρισμού ωφελούνται λιγότερο από την ανάπτυξη των ΑΠΕ – η αύξηση των τιμών ηλεκτρικής ενέργειας θα είναι μεγαλύτερη κατά 30%. Ένα άλλο συμπέρασμα που προκύπτει είναι ότι ο ενεργειακός κλάδος της Ευρώπης είναι στενά συνδεδεμένος με την αγορά του φυσικού αερίου. Τα μοντέλα μηχανικής μάθησης εκπαιδεύονται σε δεδομένα, όπου η σύνδεση αυτή είναι πολύ ισχυρή. Έτσι, στα σενάρια με ριζικά διαφορετικό ενεργειακό μείγμα δεν δύναται να υπολογίσουν με ακρίβεια την επίδραση της απεξάρτησης. Για την βραχυπρόθεσμη σταθεροποίηση των τιμών ηλεκτρικής ενέργειας φαίνεται πως είναι επίσης αναγκαία η μείωση της τιμής του φυσικού αερίου, ενώ σε μακροπρόθεσμη κλίμακα ότι απαιτείται ενεργειακή μεταρρύθμιση σε όλα τα κράτη-μέλη της ΕΕ προκειμένου να δημιουργηθεί ένα ασφαλές περιβάλλον από οικολογικής και οικονομικής άποψης.
The unfolding energy crisis of 2022 has caused an unprecedented rise in electricity prices in European Union (EU) countries. The dependence of Europe's energy sector on gas imports was first seen as a public security problem when the government of the Russian Federation ordered the invasion of Ukraine. The disruption of the natural gas market led to a sharp rise in its price, and subsequently dragged up the prices of most fossil fuels and electricity. The aim of this paper is to investigate the impact of the price of natural gas on the price of electricity for countries with different energy mixes and to predict the evolution of the former through illustrative scenarios. Three countries - Greece, Poland and Sweden - were chosen to represent electricity systems of different energy mixes. Machine learning is widely applied in the energy sector to generate forecasts. In this paper, four models were trained for each country - multiple linear regression, decision tree, random forest model and gradient boosting model. Based on the prediction error, the most appropriate model was selected per case and then used to implement the scenarios. The considered scenarios were studied using linear regression and were based on the average electricity consumption and production profiles of each country. More specifically, the energy mixes of the countries were altered in each scenario according to its assumptions (e.g., decarbonization or denuclearization with natural gas, substitution of natural gas with coal or nuclear power, further adoption of renewable energy sources). In addition, each scenario is presented with two variations depending on whether natural gas prices are set at high or low levels. The results showed that gas prices affect all countries, regardless of whether they are directly or indirectly (e.g., through interconnections with other gas-dependent countries) dependent on fossil fuels. For countries that rely heavily on fossil fuels, the development of renewable energy would limit the potential increase in electricity prices by 15% and help to achieve energy independence. In contrast, countries that rely on nuclear power for electricity generation would benefit less from the development of renewables - the increase in electricity prices would be higher by 30%. Another conclusion is that Europe's energy sector is closely linked to the gas market. Machine learning models are trained on data where this link is especially strong. Thus, in scenarios with a radically different energy mix they cannot accurately calculate the effect of decoupling. For short-term stabilization of electricity prices, it seems that a reduction in the price of gas is also necessary, while in the longer-term energy reform is needed in all EU Member States in order to create a safe environment from an ecological and economic point of view.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.