Πρόβλεψη οριακής τιμής ηλεκτρικής ενέργειας με τη χρήση τεχνητών νευρωνικών δικτύων

Giannoukou, Marina; Γιαννούκου, Μαρίνα

dc.contributor.author	Giannoukou, Marina	en
dc.contributor.author	Γιαννούκου, Μαρίνα	el
dc.date.accessioned	2020-10-13T09:39:13Z
dc.date.available	2020-10-13T09:39:13Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51422
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19120
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	Προ-Ημερήσια αγορά ηλεκτρικής ενέργειας	el
dc.subject	Πρόβλεψη οριακής τιμής συστήματος	el
dc.subject	Οικονομικές χρονοσειρές	el
dc.subject	Αυτοπαλίνδρομο μοντέλο κινητού μέσου όρου	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Day-Ahead electricity market	en
dc.subject	System marginal price short-term forecast	en
dc.subject	financial timeseries	en
dc.subject	Autoregressive moving average model	en
dc.subject	Convolutional neural networks	en
dc.subject	Long Short-Term memory networks	en
dc.title	Πρόβλεψη οριακής τιμής ηλεκτρικής ενέργειας με τη χρήση τεχνητών νευρωνικών δικτύων	el
heal.type	bachelorThesis
heal.classification	Ενέργεια	el
heal.classification	Τεχνητά νευρωνικά δίκτυα	el
heal.classification	Artificial neural networks	en
heal.classification	Πληροφορική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-07-23
heal.abstract	Στην παρούσα διπλωματική εργασία επιδιώκεται να πραγματοποιηθεί βραχυπρόθεσμη πρόβλεψη ορίζοντα 24 ωρών για την οριακή τιμή της ηλεκτρικής ενέργειας στην Προ-Ημερήσια Αγορά ενέργειας ή Αγορά Επόμενης Ημέρας. Η ανάγκη για τέτοια πρόβλεψη αναδείχτηκε με την απελευθέρωση της αγοράς και τη διείσδυση πολλών συμμετοχόντων σε αυτήν. Στο περιβάλλον του ανταγωνισμού και της μεταβλητότητας που χαρακτηρίζει την αγορά, μια εύστοχη πρόγνωση της τιμής της ηλεκτρικής ενέργειας της επόμενης ημέρας επωφελεί όλους τους συμμετέχοντες, για διαφορετικούς λόγους έκαστο. Η προσέγγισή μας για αυτή την πρόγνωση γίνεται με δύο τρόπους, αρχικά με στατιστικές μεθόδους, και ειδικότερα με αυτοπαλίνδρομα μοντέλα κινητού μέσου όρου (ARMA), και στη συνέχεια με τη χρήση τεχνητών νευρωνικών δικτύων. Συγκεκριμένα, εξετάζονται δύο κατηγορίες εξειδικευμένων νευρωνικών μοντέλων: τα Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks ή CNN) και τα Αναδρομικά Νευρωνικά Δίκτυα που αποτελούνται από στρώματα νευρώνων Μακράς και Βραχείας Μνήμης (Long and Short Term Memory ή LSTM). Προκειμένου να μελετηθεί η συνεισφορά των δύο κατηγοριών μοντέλων υλοποιούνται τρία διαφορετικά μοντέλα: Ένα νευρωνικό δίκτυο μονοδιάστατης συνέλιξης (1D-CNN) και δύο αναδρομικά δίκτυα νευρώνων μακράς και βραχείας μνήμης, εκ των οποίων το δεύτερο χρησιμοποιεί ως είσοδο τα χαρακτηριστικά που εξάγει ένα μονοδιάστατο συνελικτικό νευρωνικό δίκτυο (CNN-LSTM). Στη συνέχεια, εκτιμάται η απόδοση των μοντέλων, συγκρίνονται τα σφάλματα που προκύπτουν από τις διαφορετικές μεθόδους πρόβλεψης, διαπιστώνεται η υπεροχή των νευρωνικών έναντι των στατιστικών μοντέλων και αξιολογείται η βελτίωση που προσφέρει η χρήση μηχανικής μάθησης στην πρόγνωση των οριακών τιμών ηλεκτρικής ενέργειας.	el
heal.abstract	The present diploma thesis presents an attempt to forecast the System Marginal Price (SMP) of electricity in the Day-Ahead market. The importance of this problem emerged after the deregulation of the electricity markets around the world, and the increase of the market participants. Considering the competitive framework and the volatile market environment, a good prediction over the marginal price of the day-ahead benefits each and every participant.This prediction is carried out firstly by using statistical forecasting techniques, and specifically Autoregressive Moving Average Model (ARMA), and then by implementing Artificial Neural Networks (ANN), and more in detail, the two categories examined are the Convolutional Neural Networks (CNN) and Long Short-Term Memory Networks (LSTM). In order to evaluate the contribution of these types of neural models, we build a 1-D CNN, an LSTM and a combined architecture, in which the output of a CNN layer proceeds through an LSTM layer to produce the final forecasts. Afterwards, we estimate the performance of the models, we compare the errors of the forecasts induced by each method and, after verifying that ANN outperformed, we evaluate the improvement that the use of machine learning offers in the fields of short-term energy price forecasting.	en
heal.advisorName	Χατζηαργυρίου, Νικόλαος	el
heal.committeeMemberName	Παπαθανασίου, Σταύρος	el
heal.committeeMemberName	Γεωργιλάκης, Παύλος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος	el
heal.academicPublisherID	ntua
heal.numberOfPages	101 σ.	el
heal.fullTextAvailability	false