Βέλτιστη στρατηγική συμμετοχής στην αγορά ηλεκτρικής ενέργειας υπό συνθήκες αβεβαιότητας

Βασιλόπουλος Παναγιώτης; Vasilopoulos, Panagiotis

dc.contributor.author	Βασιλόπουλος Παναγιώτης	el
dc.contributor.author	Vasilopoulos, Panagiotis	en
dc.date.accessioned	2024-02-21T09:11:16Z
dc.date.available	2024-02-21T09:11:16Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58938
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26634
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Παραγωγή και Διαχείριση Ενέργειας”	el
dc.rights	Default License
dc.subject	Ενεργειακές αγορές	el
dc.subject	Ενέργεια	el
dc.subject	Στρατηγική Συμμετοχής	el
dc.subject	Πρόβλεψη	el
dc.subject	Αγορές Ηλεκτρικής Ενέργειας	el
dc.subject	Forecasting	en
dc.subject	Energy markets	en
dc.subject	Energy Modelling	en
dc.subject	Bidding strategies	en
dc.subject	Energy Economics	en
dc.title	Βέλτιστη στρατηγική συμμετοχής στην αγορά ηλεκτρικής ενέργειας υπό συνθήκες αβεβαιότητας	el
heal.type	masterThesis
heal.classification	Ενεργειακές Αγορές	el
heal.classification	Energy Markets	en
heal.classification	Energy Economics	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-10-25
heal.abstract	Ένα από τα σημαντικότερα προβλήματα που καλείται να αντιμετωπίσει ένας συμμετέχοντας είναι η εύρεση της βέλτιστης στρατηγικής συμμετοχής του στην αγορά ηλεκτρικής ενέργειας, δεδομένης της αβεβαιότητας που δημιουργεί η υψηλή διείσδυση ανανεώσιμων πηγών ενέργειας στο σύστημα. Για το λόγο αυτό κρίνεται απαραίτητη η ανάπτυξη κατάλληλων μαθηματικών μοντέλων, τα οποία θα δίνουν τη δυνατότητα στο συμμετέχοντα να λαμβάνει τη βέλτιστη απόφαση όσον αφορά τη στρατηγική του, λαμβάνοντας υπόψιν του τις συνεχείς αβεβαιότητες της αιολικής παραγωγής και της ζήτησης φορτίου στο σύστημα. Στα πλαίσια της παρούσας διπλωματικής εργασίας τελικός σκοπός είναι να αναπτυχθεί ένα μοντέλο βέλτιστης συμμετοχής στην αγορά, στηριζόμενο στη μεθοδολογία του στοχαστικού προγραμματισμού. Τα στοχαστικά δεδομένα εισόδου θα είναι οι τιμές εκκαθάρισης της αγοράς, ενώ οι βέλτιστες μεταβολές απόφασης του προβλήματος θα προκύπτουν λαμβάνοντας υπόψιν διάφορες παραμέτρους, που θα αναγνωριστούν και θα μοντελοποιηθούν στα πλαίσια της παρούσας διπλωματικής εργασίας. Στην παρούσα διπλωματική εργασία αρχικά αναλύουμε τη δομή των αγορών ηλεκτρικής ενέργειας οι οποίες είναι σύμφωνες και ακολουθούν το Target Model το οποίο δεν είναι άλλο απ’ το Ευρωπαϊκό πρότυπο. Τα αρχικά δεδομένα που έπρεπε να συλλέξουμε ήταν οι προβλέψεις φορτίου σε καθημερινή βάση που δημοσιεύει ο ΑΔΜΗΕ για την επόμενη ημέρα και τα αρχεία για την ίδια μέρα που δημοσιεύονται από το χρηματιστήριο ενέργειας HenEx και αφορούν την επίλυση της αγοράς επόμενης ημέρας όπου φαίνεται το πραγματικό φορτίο όπως αυτό προέκυψε απ’ τις συναλλαγές, διμερείς και κεντρικές, στην Day-Ahead αγορά. Έτσι με ένα εκτενές data analysis μέσω Python συλλέξαμε και καταλήξαμε να συγκρίνουμε το εκκαθαρισμένο στην αγορά επόμενης ημέρας φορτίο με το προβλεπόμενο φορτίο σε ωριαία βάση προκειμένου να βρούμε τις ποσοστιαίες διαφορές της πρόβλεψης με το εκκαθαρισμένο φορτίο. Με την ίδια ακριβώς λογική έγιναν οι ίδιες συγκρίσεις και για τα δεδομένα του φορτίου των ανανεώσιμων πηγών ενέργειας. Τα παραπάνω δεδομένα χρησιμοποιήθηκαν στο τελικό πρόβλημα ώστε να δημιουργηθούν διαφορετικά προφίλ ανανεώσιμων και φορτίου (και άρα και διαφορετικές χρονοσειρές τιμών εκκαθάρισής ) προκειμένου να βρούμε τις συνθήκες της βέλτιστης συμμετοχής των εξεταζόμενων μονάδων σε μία τέτοια αγορά ενέργειας. Επόμενο βήμα της ανάλυσης ήταν η συλλογή αρχείων για ένα εύλογο και αντιπροσωπευτικό χρονικό διάστημα , της επίλυσης της διαδικασίας ενοποιημένου προγραμματισμού (ISP Results). Μέσω αυτών των αρχείων και με κατάλληλη διαχείριση των δεδομένων μέσω κώδικα προγραμματισμού κατορθώσαμε να εξάγουμε για αυτές ένα ωριαίο πρόγραμμα προσφορών στην αγορά. Με αυτόν τον τρόπο και συγκεντρώνοντας για κάθε ημέρα ανάλυσης τα αποτελέσματα αυτά στόχος μας ήταν να προβλέψουμε όσο το δυνατόν πιο εύστοχα ποιες μονάδες είναι οι οριακές μονάδες του συστήματος. Καθορίζοντας λοιπόν τα ζευγάρια τιμών- ποσοτήτων για τις υποψήφιες οριακές μονάδες , δημιουργήσαμε μέσω κώδικα ένα αρχείο για κάθε υποψήφια μονάδα ώστε αναλύοντας αυτά τα ζεύγη να βρούμε μία γραμμική σχέση που θα μπορούσε να συνδέει τα δείγματα αυτά με ένα όσο το δυνατόν μικρότερο σφάλμα, ώστε να θεωρήσουμε ότι οι μονάδες τοποθετούν γραμμικές (linear) προσφορές ακολουθώντας αυτό το μοτίβο. Εξάγοντας το παραπάνω και λαμβάνοντας υπόψη κάποιες παραδοχές (πχ τιμή φυσικού αερίου τη συγκεκριμένη περίοδο), δημιουργήσαμε σε επόμενο στάδιο σχέσεις τιμών ποσοτήτων για όλες τις θερμικές μονάδες. Λαμβάνοντας υπόψη τις παραπάνω σχέσεις και παίρνοντας διάφορα ισοπίθανα σενάρια φορτίου και φορτίου ανανεώσιμων κάθε φορά εξάχθηκαν διαφορετικές χρονοσειρές ωριαίων τιμών της spot αγοράς μέσω της επαναληπτικής επίλυσης ενός απλοποιημένου προβλήματος της αγοράς επόμενης ημέρας, οι οποίες και χρησιμοποιήθηκαν στο τελικό πρόβλημα. Τα παραπάνω σενάρια ομαδοποιήθηκαν με τη χρήση κατάλληλων τεχνικών μείωσης σεναρίων (scenario reduction techniques), σε μικρότερα ουσιαστικά σενάρια ανάλογα με τη σύγκλιση τους τα οποία έχουν συγκεκριμένη, άνιση μεταξύ τους, πιθανότητα να συμβούν προκειμένου να μειώσουμε αισθητά τον χρόνο εκτέλεσης του αλγορίθμου με όσο το δυνατόν λιγότερο κόστος στη ακεραιότητα των αποτελεσμάτων . Τέλος, έχοντας όλα τα παραπάνω δεδομένα καταστρώθηκε το τελικό στοχαστικό πρόβλημα όπου έγινε η εκτίμηση της βέλτιστης στρατηγικής συμμετοχής στην αγορά επόμενης ημέρας ενός αιολικού παραγωγού ή ΦΟ.Σ.Ε. .	el
heal.advisorName	Papavasileiou, Anthony	en
heal.committeeMemberName	Papavasiliou, Anthony	en
heal.committeeMemberName	Παπαθανασίου, Σταύρος	el
heal.committeeMemberName	Δημέας, Άρης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	112 σ.	el
heal.fullTextAvailability	false