Περίληψη : | Η ακριβής πρόβλεψη των τιμών ηλεκτρικής ενέργειας είναι ζωτικής σημασίας για διάφορους εμπλεκόμενους φορείς στην αγορά ενέργειας, συμπεριλαμβανομένων των παραγωγών, των καταναλωτών και των υπευθύνων στρατηγικής. Αυτή η διατριβή εξετάζει τόσο τη χρήση οικονομετρικών μοντέλων όσο και τεχνικών μηχανικής μάθησης για τη μοντελοποίηση και την πρόβλεψη των τιμών ηλεκτρικής ενέργειας. Εφαρμόζονται μοντέλα όπως η ARIMA και η Πολλαπλή Παλινδρόμηση, καθώς και προηγμένες τεχνικές όπως τα Support Vector Machines, τα Decision Tree και τα Random Forest. Επιπλέον, αναπτύσσονται υβριδικές προσεγγίσεις με τον συνδυασμό οικονομετρικών μοντέλων και μοντέλων μηχανικής μάθησης. Ένα κρίσιμο σημείο της μελέτης είναι η ανάλυση και η μετατροπή των μεταβλητών για την επίτευξη στασιμότητας και γραμμικότητας στα δεδομένα. Επιπλέον, προστίθενται μεταβλητές στα δεδομένα για να αποτυπώσουν σημαντικά κοινωνικοπολιτικά γεγονότα, όπως η πανδημία COVID-19 και ο πόλεμος στην Ουκρανία. Τα αποτελέσματα δείχνουν ότι η μέθοδος Random Forest είναι πιο αποτελεσματική από τις υπόλοιπες μεθόδους μηχανικής μάθησης, ενώ η ARIMA παρέχει καλύτερη πρόβλεψη από τα υπόλοιπα οικονομετρικά μοντέλα. Το βέλτιστο μοντέλο είναι ένας υβριδικός συνδυασμός αυτών των δύο. Αυτή η διπλωματική εργασία συμβάλλει στις συνεχιζόμενες προσπάθειες βελτίωσης της πρόβλεψης τιμών ηλεκτρικής ενέργειας, συνδυάζοντας καθαρά οικονομετρικές αλλά και υβριδικές προσεγγίσεις μοντελοποίησης. Τα αποτελέσματα όλων αυτών των μοντέλων παρέχουν πρακτικές πληροφορίες στους εμπλεκόμενους φορείς για την ανάπτυξη βαθύτερης κατανόησης της δυναμικής της αγοράς ενέργειας, επιτρέποντας πιο στρατηγικό προγραμματισμό και λήψη αποφάσεων. Accurate forecasting of electricity prices is crucial for various stakeholders in the energy market, including producers, consumers and policy makers. This thesis examines both the use of econometric models and machine learning techniques for modeling and forecasting electricity prices. Models such as ARIMA and Multiple Regression are applied, as well as advanced techniques such as Support Vector Machines, Regression Trees and Random Forest. In addition, hybrid approaches are developed by combining econometric and ML models. Α crucial point of the study is the analysis and transformation of the variables to achieve stationarity and linearity in the data. In addition, dummy variables are added to the data to capture important sociopolitical events, such as the COVID-19 pandemic and the Ukrainian-Russian war. The outcomes show that the Random Forest method is more efficient than the rest of the ML methods, while in addition ARIMA gives a better prediction than the rest of the econometric models. The optimal model is a hybrid combination of these two. This thesis contributes to ongoing efforts to improve electricity price forecasting by combining pure econometric, but also hybrid modeling approaches. The outcomes of all these models provide practical insights for stakeholders to develop deeper comprehension of energy market dynamics, permitting more strategic scheduling and determinations.
|
---|