Επίδοση εναλλακτικών μεθόδων πρόβλεψης της τιμής της ενέργειας και η επίδραση της μεταφοράς μάθησης: Ευρήματα από την Κεντρική Ευρώπη

Αϋφαντόπουλος, Ηλίας; Ayfantopoulos, Ilias

dc.contributor.author	Αϋφαντόπουλος, Ηλίας	el
dc.contributor.author	Ayfantopoulos, Ilias	en
dc.date.accessioned	2025-01-22T08:56:33Z
dc.date.available	2025-01-22T08:56:33Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60901
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28597
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Πρόβλεψη τιμών ηλεκτρικής ενέργειας	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Μεταφρορά Μάθησης	el
dc.subject	Υβριδικά μοντέλα	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Electricity price forecasting	en
dc.subject	Machine learning	en
dc.subject	ENTSOE	en
dc.subject	Hybrid models	en
dc.subject	Transfer learning	en
dc.title	Επίδοση εναλλακτικών μεθόδων πρόβλεψης της τιμής της ενέργειας και η επίδραση της μεταφοράς μάθησης: Ευρήματα από την Κεντρική Ευρώπη	el
dc.title	Performance of Alternative Electricity Price Forecasting Methods and the impact of Transfer Learning: Findings from Central Europe	en
heal.type	bachelorThesis
heal.classification	Electricity Price Forecasting	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-01
heal.abstract	Αυτή η διατριβή διερευνά την απόδοση διαφόρων μοντέλων πρόβλεψης τιμών ηλεκτρικής ενέργειας και αξιολογεί τον αντίκτυπο της μεταφοράς μάθησης. Η μελέτη επικεντρώνεται στις αγορές ηλεκτρικής ενέργειας της Κεντρικής Ευρώπης, αναλύοντας δεδομένα από το 2019 έως το 2021. Χρησιμοποιήθηκαν επτά μοντέλα πρόβλεψης: Autoregressive with Exogenous variables (ARX), k-Nearest Neighbors (kNN), Regression Tree, Random Forest Regression (RFR), Support Vector Regression (SVR), Artificial Neural Network - Multi-Layer Perceptron (ANN-MLP), και Long Short-Term Memory (LSTM) networks, τα οποία αξιολογήθηκαν με χρήση των Μετρικών Μέσου Απόλυτου Σφάλματος (MAE), Ρίζας Μέσου Τετραγωνικού Σφάλματος (RMSE) και Συμμετρικού Μέσου Απόλυτου Ποσοστιαίου Σφάλματος (sMAPE). Το μοντέλο ANN-MLP με clustering ξεπέρασε σταθερά τα άλλα μοντέλα σε όλες τις μετρικές. Η μελέτη εξέτασε επίσης την επίδραση σημαντικών γεωπολιτικών γεγονότων, όπως η σύγκρουση Ουκρανίας-Ρωσίας και η ενεργειακή κρίση, στην απόδοση των μοντέλων. Τα αποτελέσματα δείχνουν αυξημένα σφάλματα πρόβλεψης κατά τη διάρκεια αυτών των περιόδων, υποδηλώνοντας την πρόκληση της διατήρησης της ακρίβειας εν μέσω της αστάθειας της αγοράς. Η μεταφοράς μάθησης έδειξε ότι, ενώ η αξιοποίηση προεκπαιδευμένων μοντέλων από συναφή σύνολα δεδομένων δεν παράγει πάντα τις χαμηλότερες μετρικές σφάλματος, παρέχει ανταγωνιστικά αποτελέσματα σε συντομότερο χρονικό διάστημα. Αυτό το εύρημα υπογραμμίζει το δυναμικό της μεταφοράς μάθησης για τη βελτίωση της αποδοτικότητας της πρόβλεψης. Η διατριβή καταλήγει συζητώντας τις επιπτώσεις αυτών των ευρημάτων και προτείνοντας μελλοντικές κατευθύνσεις έρευνας, όπως της ενσωμάτωσης επιπλέον εξωγενών μεταβλητών, της ανάπτυξης υβριδικών μοντέλων και της βελτίωσης της ερμηνευσιμότητας των μοντέλων.	el
heal.abstract	This thesis investigates the performance of various electricity price forecasting models and evaluates the impact of transfer learning on forecasting accuracy. The study focuses on the electricity markets of Germany, Belgium, and the Netherlands, analyzing data from 2019 to 2021. Seven forecasting models were employed: Autoregressive with Exogenous variables (ARX), k-Nearest Neighbors (kNN), Regression Tree, Random Forest Regression (RFR), Support Vector Regression (SVR), Artificial Neural Network - Multi-Layer Perceptron (ANN-MLP), and Long Short-Term Memory (LSTM) networks. These models were evaluated using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Symmetric Mean Absolute Percentage Error (sMAPE). The ANN-MLP model with clustering consistently outperformed other models across all metrics. The study also examined the impact of significant geopolitical events, such as the Ukraine-Russia conflict and the energy crisis, on model performance. Results indicate increased prediction errors during these periods, highlighting the challenge of maintaining accuracy amidst market volatility. Transfer learning experiments demonstrated that while leveraging pretrained models from related datasets does not always produce the lowest error metrics, it provides competitive results in a shorter time frame. This finding underscores the potential of transfer learning to enhance forecasting efficiency. The thesis concludes by discussing the implications of these findings and suggesting future research directions, including the integration of additional exogenous variables, development of hybrid models, and improvement of model interpretability.	en
heal.advisorName	Marinakis, Vangelis	en
heal.committeeMemberName	Askounis, Dimitris	en
heal.committeeMemberName	Ψαρράς, Ιωάννης	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	100 σ.	el
heal.fullTextAvailability	false