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 |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: