Πρόβλεψη φορτίου και τιμών ηλεκτρικής ενέργειας

Abstract

Η παρούσα εργασία με τίτλο «Πρόβλεψη Φορτίου και Τιμών Ηλεκτρικής Ενέργειας» αναλύει την ανάπτυξη μοντέλων πρόβλεψης για τη ζήτηση ηλεκτρικής ενέργειας και τις τιμές της στην προημερήσια αγορά (DAM). Η μελέτη γίνεται για την ελληνική αγορά και την ευρωπαϊκή αγορά ηλεκτρικής ενεργειακής, εξετάζοντας τα χαρακτηριστικά των συστημάτων, τις διασυνοριακές διασυνδέσεις και το Euphemia, ως τον κύριο αλγόριθμο που χρησιμοποιείται στις ευρωπαϊκές αγορές ενέργειας. Εφαρμόζονται στατιστικές μέθοδοι και μοντέλα μηχανικής εκμάθησης, όπως γραμμική παλινδρόμηση, XGBoost, Temporal Convolutional Networks (TCN) και υβριδικές προσεγγίσεις, για την εξαγωγή προβλέψεων φορτίου και τιμών με στόχο τη βελτίωση της ακρίβειας και αξιοπιστίας. Η εργασία περιλαμβάνει λεπτομερή ανάλυση των δεδομένων της ελληνικής αγοράς, τη διαμόρφωση χαρακτηριστικών και τη σύγκριση των μοντέλων πρόβλεψης. Παρουσιάζονται αποτελέσματα που δείχνουν τις δυνατότητες και τα όρια κάθε μοντέλου, ξεχωρίζοντας τις μεθόδους που προσφέρουν την καλύτερη απόδοση για διαφορετικά χρονικά διαστήματα και τύπους δεδομένων. Ο συνδυασμός σύγχρονων αλγορίθμων και η ενσωμάτωση μεταβλητών μετεωρολογικών και λειτουργικών παραγόντων αποδεικνύεται ιδιαίτερα αποτελεσματικός για την αναπτυσσόμενη ενεργειακή αγορά της Ελλάδας και τη βελτίωση της διαχείρισης κινδύνων στην αγορά της ηλεκτρικής ενέργειας.

The thesis, "Forecasting Electricity Load and Day-Ahead Prices," centres on the creation and assessment of predictive models for electricity demand and market prices in the day-ahead market. The research analyses the attributes of the Greek and European electricity markets, encompassing cross-border interconnections and the market algorithm ‘Euphemia’. Different statistical and machine learning techniques are used, such as linear regression, XGBoost, Temporal Convolutional Networks (TCN), and hybrid methods, to make load and price forecasts more accurate and reliable. There is a thorough analysis of Greek market data that includes feature engineering and model comparison. The results show what each model does well and what it doesn't do well, and they show which methods work best with different types of data and timeframes. The combination of advanced algorithms and operational or meteorological variables is very useful for Greece's changing energy market. It helps the electricity sector manage risk better.