Πρόβλεψη τιμών ηλεκτρικής ενέργειας ευρωπαϊκών αγορών εξισορρόπησης

Oικονόμου, Γρηγόριος; Oikonomou, Grigorios

dc.contributor.author	Oικονόμου, Γρηγόριος	el
dc.contributor.author	Oikonomou, Grigorios	en
dc.date.accessioned	2025-12-17T10:03:37Z
dc.date.available	2025-12-17T10:03:37Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/63083
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30779
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Πρόβλεψη τιμών Εξισορρόπησης	el
dc.subject	Αγορές Εξισορρόπησης	el
dc.subject	Χρονοσειρές	el
dc.subject	Παράθυρα εκπαίδευσης	el
dc.subject	Ευρωπαϊκές αγορές εξισορρόπησης	el
dc.subject	ARIMA	en
dc.subject	XGBoost	en
dc.subject	LEAR	en
dc.subject	ENTSO-E	en
dc.title	Πρόβλεψη τιμών ηλεκτρικής ενέργειας ευρωπαϊκών αγορών εξισορρόπησης	el
dc.title	Electricity price forecasting in european balancing markets	en
dc.contributor.department	Τομέας Ηλεκτρικής Ισχύος	el
heal.type	bachelorThesis
heal.classification	Πρόβλεψη τιμών ηλεκτρικής ενέργειας	el
heal.classification	Αγορές εξισορρόπησης	el
heal.classification	Στατιστικά μοντέλα	el
heal.classification	Μηχανική μάθηση	el
heal.classification	Χρονοσειρές	el
heal.classification	Ευρωπαϊκές αγορές ενέργειας	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-06-27
heal.abstract	Η αυξανόμενη συμμετοχή των ανανεώσιμων πηγών ενέργειας στα ηλεκτρικά δίκτυα της Ευρώπης έχει ενισχύσει τη μεταβλητότητα στην παραγωγή, καθιστώντας δυσκολότερη τη διατήρηση της ισορροπίας μεταξύ προσφοράς και ζήτησης. Στο πλαίσιο αυτό, η Αγορά Εξισορρόπησης αναλαμβάνει καθοριστικό ρόλο, με την πρόβλεψη των τιμών της να αποτελεί κρίσιμο εργαλείο για τη σταθερή και αποδοτική λειτουργία του ενεργειακού συστήματος. Η παρούσα εργασία αναπτύσσει και εφαρμόζει ένα κοινό μεθοδολογικό πλαίσιο για τη βραχυπρόθεσμη πρόβλεψη τιμών Εξισορρόπησης σε τρεις ευρωπαϊκές χώρες με διαφορετικά λειτουργικά χαρακτηριστικά: Ιρλανδία, Ισπανία και Βέλγιο. Η ανάλυση βασίζεται σε δεδομένα υψηλής χρονικής ανάλυσης που προέρχονται από την ευρωπαϊκή πλατφόρμα ENTSO-E και περιλαμβάνουν, μεταξύ άλλων, προβλέψεις ζήτησης, παραγωγής και διασυνοριακών ροών. Η μεθοδολογία που ακολουθείται περιλαμβάνει την εφαρμογή τεσσάρων μοντέλων πρόβλεψης: ενός στατιστικού μοντέλου χρονοσειρών (ARIMA), ενός γραμμικού αυτοπαλίνδρομου μοντέλου με κανονικοποίηση τύπου LASSO (LEAR), ενός αλγορίθμου μηχανικής μάθησης βασισμένου σε δέντρα απόφασης (XGBoost) και ενός απλού μοντέλου αναφοράς (Naive). Η σύγκριση των μοντέλων πραγματοποιείται μηνιαία και για διαφορετικά βάθη ιστορικού παραθύρου, με χρήση καθιερωμένων δεικτών σφάλματος (MAE, RMSE, sMAPE). Η εργασία προσφέρει χρήσιμες συγκρίσεις για την απόδοση διαφορετικών τεχνικών πρόβλεψης και συμβάλλει στην κατανόηση των ιδιαίτερων προκλήσεων που παρουσιάζει η πρόβλεψη τιμών Εξισορρόπησης σε διαφορετικά ευρωπαϊκά περιβάλλοντα. Τα ευρήματα της μελέτης μπορούν να αξιοποιηθούν από Διαχειριστές Συστημάτων Μεταφοράς (TSOs) και φορείς της αγοράς για την βελτίωση των στρατηγικών πρόβλεψης και την λήψη τεκμηριωμένων αποφάσεων στο πλαίσιο της αγοράς Εξισορρόπησης.	el
heal.abstract	The increasing penetration of renewable energy sources into Europe’s electricity networks has amplified production variability, making it more challenging to maintain the real-time balance between supply and demand. In this context, the Balancing Market plays a critical role, and accurate price forecasting emerges as a key tool for the stable and efficient operation of power systems. This Diploma Thesis develops and implements a unified methodological framework for short-term balancing price forecasting across three European countries with distinct operational characteristics: Ireland, Spain, and Belgium. The analysis relies on high-resolution data from the ENTSO-E platform, including both historical and forecasted variables, such as demand, generation (conventional and renewable), net cross-border flows, and the balancing price itself. The forecasting methodology involves the application of four models: a statistical time series model (ARIMA), a linear autoregressive model with LASSO regularization (LEAR), a machine learning model based on decision trees (XGBoost), and a simple baseline model (Naive). Model comparison is conducted on a monthly basis and across different input window sizes, using established performance metrics (MAE, RMSE, sMAPE). The study provides valuable comparisons regarding the performance of different forecasting techniques and contributes to understanding the specific challenges of balancing price prediction across diverse European market settings. The findings can be leveraged by Transmission System Operators and market participants to enhance forecasting strategies and support informed decision-making in the Balancing Market.	en
heal.advisorName	Γεωργιλάκης, Παύλος
heal.committeeMemberName	Τσεκούρας, Γεώργιος
heal.committeeMemberName	Νικολαίδης, Βασίλειος
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος.	el
heal.academicPublisherID	ntua
heal.numberOfPages	91
heal.fullTextAvailability	false