| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Δαρδαμάνης, Αριστείδης | |
| dc.date.accessioned | 2022-08-05T07:33:12Z | |
| dc.date.available | 2022-08-05T07:33:12Z | |
| dc.date.issued | 2022 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/14521 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/1944 | |
| dc.description.abstract | Σε μια αγορά ηλεκτρικής ενέργειας, οι προβλέψεις για τις τιμές ηλεκτρικής ενέργειας έχουν μεγάλη σημασία για τους συμμετέχοντες στην αγορά. Η παρουσία της μη γραμμικότητας, της μη σταθερότητας και της πολλαπλής εποχικότητας στις τιμές της ηλεκτρικής ενέργειας καθιστά τη πρόβλεψή τους μια εξαιρετικά απαιτητική διαδικασία. Πολλές μελέτες έχουν διεξαχθεί σε αυτόν τον τομέα, ωστόσο απαιτούνται πιο ολοκληρωμένες και ενημερωμένες μέθοδοι πρόβλεψης τιμών. Η Ευρώπη είναι μια μεγάλη και πολύπλοκη αγορά ενέργειας που αποτελείται από πολλές χώρες που ανταλλάσσουν τεράστιες ποσότητες ηλεκτρικής ενέργειας σε καθημερινή βάση και η Ιταλία αποτελεί μια από τις σημαντικότερες ενεργειακές αγορές στην περιοχή της Νότιας Ευρώπης. Σε αυτή την έρευνα, διερευνήθηκαν τρεις τύποι μοντέλων μηχανικής μάθησης με στόχο να προβλεφθεί όσο το δυνατόν ακριβέστερα η ιταλική SMP. Συγκεκριμένα, ένα αυτοπαλινδρομικό, ένα MLP και τρία μοντέλα LSTM κατασκευάστηκαν με σκοπό την πρόβλεψη της ιταλικής SMP Day-Ahead σε ωριαίο επίπεδο. Οι προβλέψεις κάθε μοντέλου αξιολογήθηκαν για ένα χρονικό διάστημα που εκτείνεται έως και δύο εβδομάδες μπροστά μέσω του υπολογισμού των αντίστοιχων μετρήσεων MAPE και RMSE. Ορισμένα χαρακτηριστικά επιλέχθηκαν αρχικά ως υποψήφια για την εκπαίδευση των μοντέλων μηχανικής εκμάθησης, κάτι που είναι επίσης η βασική διαφορά μεταξύ άλλων παρόμοιων μελετών. Συγκεκριμένα, μεταξύ των χαρακτηριστικών που επιλέχθηκαν αρχικά, συμπεριλήφθηκαν οι τιμές ηλεκτρικής ενέργειας μεγάλων ευρωπαϊκών χωρών. Αυτό είναι κρίσιμο λόγω του γεγονότος ότι η Ιταλία είναι πλέον άμεσα συνδεδεμένη (EU Target model) με πολλές γειτονικές της χώρες, υποδηλώνοντας μια πολύ ισχυρότερη αλληλεξάρτηση με τα σύνορά της. Εφαρμόστηκαν τρεις μέθοδοι επιλογής χαρακτηριστικών για το φιλτράρισμα τυχόν περιττών χαρακτηριστικών, οι μέθοδοι SFS, Random Forest Regressor και F_regression. Η ουγγρική SMP, η τιμή SMP υστέρησης 24 (το ιταλικό SMP μετατοπίστηκε κατά 24 ώρες στο παρελθόν) και το Residual προσδιορίστηκαν ως τα πιο σημαντικά χαρακτηριστικά. Το σύνολο δεδομένων που χρησιμοποιήθηκε καλύπτει συνολικά την περίοδο 2021/06/01 έως 2021/10/22. Ιστορικά δεδομένα συλλέχθηκαν από διάφορες πηγές όπως, GME, Nord Pool, Entso-e και Terna. Τα δείγματα εκπαίδευσης και δοκιμής ήταν πανομοιότυπα για κάθε μοντέλο προκειμένου να διασφαλιστεί η συνέπεια μεταξύ τους. Τα αποτελέσματα της αξιολόγησης είναι πολλά υποσχόμενα, ειδικά για το bidirectional LSTM και το Stacked LSTM. Συγκεκριμένα, όσον αφορά μια πρόβλεψη έως και δύο εβδομάδες μπροστά, οι τιμές MAPE και RMSE του Stacked LSTM και του Bidirectional LSTM βρέθηκαν να είναι 6,965 %, 19,628 Ευρώ / MWh και 7,249 %, 20,237 Ευρώ / MWh αντιστοίχως. Επιπλέον, αυτοί οι προτεινόμενοι αλγόριθμοι βαθιάς μάθησης έδειξαν βελτιωμένη απόδοση όταν εκπαιδεύτηκαν με μεγαλύτερο δείγμα δεδομένων. Ωστόσο, υπάρχουν περισσότεροι κίνδυνοι που προστίθενται στο σφάλμα πρόβλεψης οι οποίοι προέρχονται από την αβεβαιότητα στην πρόβλεψη τόσο της ουγγρικής SMP όσο και του Residual. Με το σκεπτικό ότι το Stacked LSTM παρήγαγε τα πιο θετικά αποτελέσματα, πραγματοποιήθηκε ανάλυση ευαισθησίας για να ελεγχθεί σε ποιο βαθμό αλλάζει η απόδοση του συγκεκριμένου μοντέλου. Αποφασίστηκε να τροποποιηθούν κατά +15 % και κατά -15 % οι τιμές της Ουγγαρίας. Η απόδοση του μοντέλου επιδεινώθηκε και πιο συγκεκριμένα για μεταβολή +15 %, MAPE και RMSE αυξήθηκαν στο 8,720 % και 23,648 Ευρώ /MWh αντίστοιχα, ενώ για μια αλλαγή -15 %, MAPE και RMSE αυξήθηκαν σε 8,856 % και 24,561 ευρώ / MWh αντιστοίχως. | el |
| dc.format.extent | 48 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Evaluation of machine learning models for predicting the system marginal price of an electricity system – Italian SMP Day-Ahead forecasting | el |
| dc.title.alternative | Αξιολόγηση μοντέλων μηχανικής μάθησης για πρόβλεψη της οριακής τιμής συστήματος ενός συστήματος ηλεκτρικής ενέργειας – Πρόβλεψη της Προ-Ημερήσιας Ιταλικής ΟΤΣ | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | In a power market, electricity price forecasts are of great importance for market participants. The presence of nonlinearity, nonstationarity, and multiple seasonality in electricity prices renders price prediction a challenging task. Many studies have been conducted in this field, however more robust and up to date price forecast methods are required. Europe is a great and complex energy market comprised of many countries who exchange vast amounts of electricity on a daily basis. Italy is one of the most significant energy markets in the southern European area. In this research, three types of machine learning models were investigated with the aim of predicting as much accurately as possible the Italian SMP. Namely, one autoregressive, one MLP and three LSTM models were constructed in order to forecast the Italian Day-Ahead SMP at an hourly level. The predictions of each model were evaluated for a timeframe extending up to two weeks ahead through the calculation of the respective MAPE and RMSE metrices. A number of attributes were initially selected as candidates to train our machine learning models, which is also the key difference between other similar studies. Specifically, among the attributes initially selected, electricity prices of major European countries were included. This is crucial owe to the fact that Italy is now coupled with many neighbouring countries suggesting a much stronger interdependence with its borders. Three feature selection methods were applied to filter out any possible redundant attributes, the SFS, the Random Forest Regressor and the F_regression methods. The Hungarian SMP, the 24 lag SMP price (Italian SMP shifted by 24 hours in the past) and the Residual attributes were determined as the most important. The dataset used covers in total the period of 2021/06/01 to 2021/10/22. Historical data were collected from various sources such as, GME, Nord Pool, Entso-e and Terna. The training and test samples were identical for each model in order to secure consistency. The evaluation results are promising especially for the Bidirectional LSTM and the Stacked LSTM. Namely, concerning a forecast of up to two weeks ahead MAPE and RMSE values of the Stacked LSTM and the Bidirectional LSTM were found to be 6.965 per cent, 19.628 Euro / MWh and 7.249 per cent, 20.237 Euro / MWh respectively. In addition, these proposed deep learning algorithms showed an improved performance when trained with a bigger sample of data. However, there are more risks adding to the forecast error, which originate from the uncertainty in the prediction of both the Hungarian SMP and the Residual features. On the grounds that Stacked LSTM produced the most prominent results, a sensitivity analysis was performed on it to check at what extent the model’s performance would change. It was decided to alter by +15 per cent and by -15 per cent the values of HU. The performance of the model deteriorated and more specifically for a +15 per cent change MAPE and RMSE increased to 8.720 per cent and 23.648 Euro /MWh correspondingly, while for a -15 per cent change MAPE and RMSE increased to 8.856 per cent and 24.561 Euro / MWh respectively. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | RNN | el |
| dc.subject.keyword | LSTM | el |
| dc.subject.keyword | MLP | el |
| dc.subject.keyword | SARIMAX | el |
| dc.subject.keyword | Autoregression | el |
| dc.subject.keyword | SMP | el |
| dc.subject.keyword | Forecasting | el |
| dc.subject.keyword | Day-Ahead | el |
| dc.date.defense | 2022-06-30 | |
