Evaluation of machine learning models for predicting the System Marginal Price of an Electricity System - Spanish SMP Day - Ahead forecasting
| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.advisor | Filippakis, Michael | |
| dc.contributor.author | Ψάλτης, Αθανάσιος | |
| dc.contributor.author | Psaltis, Athanasios | |
| dc.date.accessioned | 2023-11-14T11:25:59Z | |
| dc.date.available | 2023-11-14T11:25:59Z | |
| dc.date.issued | 2023 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/15919 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3341 | |
| dc.description.abstract | Η πρόβλεψη των τιμών ενέργειας στην αγορά ηλεκτρικής ενέργειας διαδραματίζει κρίσιμο ρόλο στη διασφάλιση της αποδοτικής λειτουργίας των συστημάτων ηλεκτρικής ενέργειας, βοηθώντας τους συμμετέχοντες στην αγορά να κάνουν τεκμηριωμένες επιλογές προωθώντας παράλληλα βιώσιμες πρακτικές κατανάλωσης ενέργειας. Η παρούσα διατριβή προσφέρει μια εις βάθος εξέταση τριών διαφορετικών μοντέλων πρόβλεψης χρονοσειρών: ARIMA (AutoRegressive Integrated Moving Average), Facebook Prophet και Light Gradient Boosting Machine (LightGBM). Τα μοντέλα αυτά εφαρμόζονται για την πρόβλεψη των βραχυπρόθεσμων τιμών ενέργειας (SMP) στο ισπανικό ενεργειακό σύστημα. Η έρευνα ξεκινά με την παροχή μιας επισκόπησης της αγοράς ηλεκτρικής ενέργειας στην Ισπανία, τονίζοντας τη σημασία των ακριβών προβλέψεων των τιμών για τους ενδιαφερόμενους της αγοράς, τους διαχειριστές του δικτύου και τους φορείς χάραξης πολιτικής. Επιπλέον, η διατριβή υπογραμμίζει τη σημασία της ανάλυσης, της επεξεργασίας και της προεπεξεργασίας δεδομένων για την προετοιμασία του συνόλου δεδομένων οριακής τιμής συστήματος για μοντελοποίηση. Αυτό περιλαμβάνει τεχνικές όπως η αποσύνθεση χρονοσειρών, ο έλεγχος στασιμότητας και ο μετασχηματισμός Fourier για την αποκάλυψη υποκείμενων προτύπων και τη βελτίωση της ποιότητας των δεδομένων εισόδου. Η διατριβή παρέχει επίσης, μια διεξοδική επισκόπηση κάθε μοντέλου πρόβλεψης, εξηγώντας τις θεμελιώδεις αρχές, τα πλεονεκτήματα και τους περιορισμούς τους. Στη συνέχεια εμβαθύνει στη φάση της προεπεξεργασίας των δεδομένων, παρουσιάζοντας πώς μπορούν να χρησιμοποιηθούν τεχνικές αποσύνθεσης χρονοσειρών, όπως η εποχιακή αποσύνθεση χρονοσειρών (STL), για να διαχωριστούν η τάση, η εποχικότητα και τα υπολειπόμενα στοιχεία. Χρησιμοποιούνται κριτήρια στασιμότητας όπως το κριτήριο Augmented Dickey Fuller (ADF) για να διασφαλιστεί ότι τα δεδομένα είναι κατάλληλα για μοντελοποίηση, εξασφαλίζοντας σταθερές στατιστικές ιδιότητες με την πάροδο του χρόνου. Πραγματοποιείται συγκριτική ανάλυση με τη χρήση ιστορικών δεδομένων SMP για την αξιολόγηση των επιδόσεων των μοντέλων ARIMA, Facebook Prophet και LightGBM όσον αφορά την ακρίβεια πρόβλεψης, την υπολογιστική αποτελεσματικότητα και την ευρωστία. Βασικές μετρικές όπως το μέσο απόλυτο σφάλμα (MAE) και το μέσο τετραγωνικό σφάλμα (RMSE) χρησιμοποιούνται για την αξιολόγηση των προβλεπτικών ικανοτήτων των μοντέλων. Η συγκριτική ανάλυση των μοντέλων ARIMA, Facebook Prophet και LightGBM επεκτείνεται στην αξιολόγηση της ικανότητάς τους να συλλαμβάνουν τα συστατικά, την εποχικότητα και τα μοτίβα μεταβλητότητας εντός των δεδομένων. Επιπλέον, διερευνάται η ενσωμάτωση του μετασχηματισμού Fourier για τον εντοπισμό και τη μοντελοποίηση κυκλικοτήτων στα δεδομένα, ενισχύοντας την ικανότητα των μοντέλων να καταγράφουν τις υποκείμενες περιοδικές συμπεριφορές. Αυτό αποδεικνύει την προσαρμοστικότητα των μοντέλων σε διάφορες τεχνικές χειρισμού δεδομένων. Συμπερασματικά, η παρούσα διατριβή προσφέρει μια ολοκληρωμένη προσέγγιση για την πρόβλεψη των τιμών της αγοράς ηλεκτρικής ενέργειας, ενσωματώνοντας τεχνικές ανάλυσης και χειρισμού δεδομένων με τα μοντέλα ARIMA, Facebook Prophet και LightGBM για την πρόβλεψη των τιμών SMP στην Ισπανία. Τα αποτελέσματα δίνουν τη δυνατότητα στους συμμετέχοντες στην αγορά και στους ερευνητές να επιλέγουν κατάλληλες στρατηγικές πρόβλεψης με βάση τα χαρακτηριστικά των δεδομένων, διευκολύνοντας πιο τεκμηριωμένες αποφάσεις στο δυναμικό περιβάλλον της αγοράς ηλεκτρικής ενέργειας, λαμβάνοντας παράλληλα υπόψη την εποχικότητα, τη στασιμότητα και την κυκλικότητα των δεδομένων. | el |
| dc.format.extent | 50 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Evaluation of machine learning models for predicting the System Marginal Price of an Electricity System - Spanish SMP Day - Ahead forecasting | el |
| dc.title.alternative | Αξιολόγηση μοντέλων μηχανικής μάθησης για την πρόβλεψη της οριακής τιμής συστήματος ηλεκτρικής ενέργειας - Περίπτωση Ισπανίας | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Electricity market price prediction plays a crucial role in ensuring the efficient operation of power systems, helping market participants make informed choices and promoting sustainable energy consumption practices. This thesis offers an in-depth examination of three distinct time series forecasting models: AutoRegressive Integrated Moving Average (ARIMA), Facebook Prophet, and Light Gradient Boosting Machine (LightGBM). These models are applied to forecast Short-Term Market Prices (SMP) in Spanish energy system. The research starts by providing an overview of the electricity market in Spain, emphasizing the significance of precise price predictions for market players, grid operators, and policymakers. Additionally, the thesis underscores the significance of data analysis, manipulation, and preprocessing in preparing the SMP dataset for modeling. This involves techniques like data decomposition, stationarity testing, and Fourier transform to uncover underlying patterns and improve the quality of input data. The thesis provides a thorough review of each forecasting model, explaining their fundamental principles, strengths, and limitations. It then delves into the data preprocessing phase, illustrating how data decomposition techniques such as Seasonal Decomposition of Time Series (STL) can be used to separate trend, seasonality, and residual components. Stationarity tests like the Augmented Dickey-Fuller (ADF) test are employed to ensure the data is suitable for modeling, ensuring consistent statistical properties over time. A comparative analysis is conducted using historical SMP data to assess the performance of ARIMA, Facebook Prophet, and LightGBM models in terms of forecasting accuracy, computational efficiency, and robustness. Key metrics like Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE) are used to evaluate the predictive abilities of the models. The comparative analysis of the ARIMA, Facebook Prophet, and LightGBM models extends to assessing their ability to capture the decomposed components, seasonality, and volatility patterns within SMP data. Furthermore, the research explores the incorporation of Fourier transform to identify and model cyclical patterns in the SMP data, enhancing the models' capability to capture underlying periodic behaviors. This demonstrates the adaptability of the models to various data manipulation techniques. In conclusion, this thesis offers a comprehensive approach to electricity market price forecasting by integrating data analysis and manipulation techniques with ARIMA, Facebook Prophet, and LightGBM models for SMP price prediction in Spain. The results empower market participants and researchers to choose suitable forecasting strategies based on data characteristics, facilitating more informed decisions in the dynamic electricity market environment, while considering the inherent seasonality, stationarity, and cyclicality of the data. | el |
| dc.contributor.master | Κλιματική Κρίση και Τεχνολογίες Πληροφορικής και Επικοινωνιών / MSc in Climate Crisis and Information and Communication Technologies | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | SMP | el |
| dc.subject.keyword | Spanish energy system | el |
| dc.subject.keyword | Sarima | el |
| dc.subject.keyword | FBProphet | el |
| dc.subject.keyword | LightGBM | el |
| dc.subject.keyword | Time series forecasting | el |
| dc.date.defense | 2023-10-11 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα