Αλγόριθμοι τιμολόγησης για την ελληνική αγορά ηλεκτρικής ενέργειας

Μάστακας, Ορέστης; Mastakas, Orestis

dc.contributor.author	Μάστακας, Ορέστης	el
dc.contributor.author	Mastakas, Orestis	en
dc.date.accessioned	2019-03-06T11:08:05Z
dc.date.available	2019-03-06T11:08:05Z
dc.date.issued	2019-03-06
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/48369
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15908
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.subject	Παιχνίδι Stackelberg	el
dc.subject	Εξελικτική θεωρία παιγνίων	el
dc.subject	Μοντελοποίηση ζήτησης	el
dc.subject	Τιμολόγηση πραγματικού χρόνου	el
dc.subject	Ελληνική αγορά ηλεκτρικής ενέργειας	el
dc.subject	Stackelberg game	en
dc.subject	Evolutionary game theory	el
dc.subject	Demand modeling	el
dc.subject	Real time pricing	el
dc.subject	Greek electricity market	el
dc.title	Αλγόριθμοι τιμολόγησης για την ελληνική αγορά ηλεκτρικής ενέργειας	el
dc.title	Pricing algorithms for the Greek electricity market	en
heal.type	bachelorThesis
heal.classification	Θεωρία παιγνίων	el
heal.classification	Αλγόριθμοι	el
heal.classification	Ενέργεια	el
heal.classification	Game theory	en
heal.classification	Algorithms	el
heal.classification	Energy	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-07-19
heal.abstract	Σκοπός αυτής της εργασίας είναι η ανάπτυξη αλγορίθμων τιμολόγησης σε θεωρητικό επίπεδο και η προσαρμογή τους στην ελληνική αγορά ηλεκτρικής ενέργειας. Συγκεκριμένα, ένα νέο μοντέλο τιμολόγησης υπό συνθήκες real time pricing προτείνεται, αναλύοντας παράλληλα τη βιβλιογραφία στην οποία βασίστηκε. Η αλληλεπίδραση μεταξύ επιχειρήσεων και καταναλωτών μοντελοποιήθηκε ως Stackelberg game, ο ανταγωνισμός μεταξύ των επιχειρήσεων ως non cooperative game, ενώ ο τρόπος απόφασης των καταναλωτών ως εξελικτική διαδικασία. Απαραίτητη για την λειτουργία του αλγορίθμου είναι η γνώση της παραγωγικής δυνατότητας των επιχειρήσεων, καθώς και η ορθή πρόβλεψη της συνάρτησης χρησιμότητας των καταναλωτών. Παραδοχή ακόμα αποτελεί και το ότι οι καταναλωτές έχουν τη δυνατότητα να επιλέγουν όποια εταιρία επιθυμούν σε ωριαία βάση. Παράλληλα, το μοντέλο τροποποιήθηκε για να προσαρμοστεί στις παρούσες συνθήκες της ελληνικής πραγματικότητας. Θεωρώντας πως οι επιχειρήσεις έχουν μη δυναμική χρέωση, μελετάμε την αγορά σε διάστημα εξαμήνου. Και αυτήν την φορά γίνεται η παραδοχή πως οι καταναλωτές μπορεί να αλλάξουν εταιρία άμεσα, όποτε το αποφασίσουν. Στη συνέχεια, επειδή στην πραγματικότητα η συμπεριφορά των καταναλωτών επηρεάζεται με μη ορθολογικό τρόπο από παράγοντες όπως η διαφημιστική εκστρατεία και η φήμη των εταιριών, δύο νέα μοντέλα αναπτύχθηκαν, ένα σε αντιστοιχία για κάθε ένα αρχικό, προσπαθώντας να συμπεριλάβουν και αυτές τις παραμέτρους. Για την επίτευξη αυτού του στόχου, αποδόθηκε μια σταθερή βάση πελατών στη ΔΕΗ. Έπειτα, για να επαληθευτεί η πρακτική αξία των παραπάνω μοντέλων, πραγματοποιήθηκαν προσομοιώσεις με τα δεδομένα του χειμερινού εξαμήνου του 2016. Προτού υλοποιηθούν οι προσομοιώσεις όμως, παράμετροι του θεωρητικού μοντέλου προσαρμόστηκαν στα ελληνικά δεδομένα χρησιμοποιώντας τεχνικές machine learning και συγκεκριμένα βελτιστοποίηση υπερπαραμέτρων, αλλά και διάφορες μορφές στατιστικής επεξεργασίας. Γι’ αυτό το σκοπό, αναπτύχθηκαν προγράμματα σε Python. Οι προσομοιώσεις πραγματοποιήθηκαν σε προγραμματιστικό περιβάλλον C, λόγω της απλότητας που προσφέρει. Συνολικά μελετήθηκαν 32 σενάρια, τα οποία μεταξύ άλλων συμπεριλάμβαναν περιπτώσεις χαμηλής, υψηλής και μέσης ζήτησης, υποθετικές συνεργασίες εταιριών σε βάρος άλλων, καρτέλ σε βάρος του καταναλωτή, και συμφωνία για μη πόλεμο τιμών. Τέλος, τα αποτελέσματα συγκρίθηκαν με τα πραγματικά στοιχεία που καταγράφηκαν το χειμερινό εξάμηνο του 2016. Κύριο κριτήριο αξιολόγησης των μοντέλων αποτελεί η αντιπαραβολή της αρχικής κατάστασης αγοράς που προβλέπουν τα μοντέλα, πριν ακόμα δηλαδή τροποποιήσουν κάποια τιμή, με τα πραγματικά στοιχεία του 2016. Επικουρικό κριτήριο είναι η σύγκριση των τελικών αποτελεσμάτων σε διαφορετικά σενάρια, καθώς σύμφωνα με την οικονομική θεωρία, κάποια σενάρια θα πρέπει να έχουν μεγαλύτερη ζήτηση ή κέρδη επιχειρήσεων από άλλα.	el
heal.abstract	The main aim of this research is the development of electricity pricing algorithms at a theoretical level, as well as their implementation in the Greek electricity market. More precisely, a new pricing model under real time pricing assumptions is proposed, by expanding the already existing literature. The interaction between companies and customers is modeled as a Stackelberg game, the competition among companies as a non cooperative game, while the decision making process of the customers is represented by an evolutionary process. The customer’s knowledge of the company production capacities and the companies’ knowledge of the customer utility functions are key assumptions of the algorithm. It is also taken for granted that each hour, customers have the right to choose any company that they desire. Furthermore, the model mentioned above has been modified, in order to adapt more appropriately to the current conditions of the Greek market. Assuming that companies apply non dynamic pricing, we examine the market for a period of one semester. Once again, customers are supposed to be able to change provider company, whenever they decide to do so. Additionally, taking into account that customers behave irrationally in reality due to factors like marketing campaign and brand loyalty, two new models that attempt to incorporate these aspects have been developed, each one in accordance with the two original models. For that purpose, a stable core of customers is given to the Public Power Corporation. Moreover, in order to verify the practical value of these models, various simulations have been made, by using the data of the winter semester of the year 2016. Before the implementation of the simulations, parameters of the theoretical model have been chosen by hyperparameter optimization methods and by various statistical means. In order to achieve this goal, Python programs have been developed. Concerning the simulations, C programming language has been chosen, due to its simplicity. 32 scenarios have been examined in total, which include cases of high and low demand, potential company cooperation, cartel at the expense of customers and agreement for no price wars. Lastly, the results have been compared to the real data of the winter semester of 2016. The main evaluation criterion lies in the comparison of the initial market situation that the models predict, before any price is modified to be more precise, with the real data of 2016. An additional criterion is the comparison of the results of different scenarios, since according to financial theory, the supply and profits should be higher in some particular scenarios.	en
heal.advisorName	Δούκας, Χάρης	el
heal.committeeMemberName	Δούκας, Χάρης	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	140 σ.
heal.fullTextAvailability	true