Μοντελοποίηση και πρόβλεψη τιμών αγοράς ηλεκτρικής ενέργειας με χρήση μεθόδων μάθησης

Abstract

Η παρούσα διπλωματική εργασία έχει ως αντικείμενο τη μοντελοποίηση της τιμής μιας αγοράς ηλεκτρικής ενέργειας και την εφαρμογή μεθόδων μάθησης για πρόβλεψη της τιμής της αγοράς. Αρχικά αναλύεται η σημασία που έχει αυτοί που χαράσσουν πολιτική να βασίζονται σε μια σαφή κατανόηση του πως παίρνονται οι επενδυτικές αποφάσεις από τους επενδυτές. Παρουσιάζεται ένα πλαίσιο μοντελοποίησης των μεταβάσεων σε ενεργειακά συστήματα βασισμένο στην ανάπτυξη Agent-Based μοντέλων (ABMs). Γίνεται παρουσίαση της σημασίας των προσδοκιών και η σύνδεσή τους με τις επενδυτικές αποφάσεις και εισαγωγή στην adaptive learning προσέγγιση όσον αφορά το σχεδιασμό μοντέλων προσδοκιών. Στη συνέχεια παρουσιάζονται δύο μέθοδοι μάθησης με χρήση αναδρομικών ελαχίστων τετραγώνων. Ακολουθεί η παρουσίαση και υλοποίηση ενός μοντέλου παραγωγής τιμών για την spot αγορά ηλεκτρικής ενέργειας της Νορβηγίας, αφού έχει γίνει αναλυτική παρουσίαση της δομής και οργάνωσης της Σκανδιναβικής αγοράς. Και τέλος γίνεται χρήση των μεθόδων μάθησης με χρήση αναδρομικών ελαχίστων τετραγώνων για πρόβλεψη τιμών μιας αγοράς ηλεκτρικής ενέργειας και αντιπαραβολή με τα αποτελέσματα που παράγει μία μέθοδος πρόβλεψης χρονοσειρών, όπως το μοντέλο γραμμικής τάσης .

This thesis concentrates on modeling the price of an electricity market and implementing learning methods for market price forecasting. Initially the importance of policy makers to rely on a clear understanding of how investment decisions are taken by investors is analyzed. A framework for the development of simulation models of transitions in energy systems based on an Agent-Based Modeling (ABM) approach is presented. We exhibit the importance of expectations and their connection with investment decisions and present the adaptive learning approach for expectations design. Then, two methods of learning using recursive least squares are presented. Then after a detailed presentation of the structure and organization of the Nordic market, a presentation and implementation of a model production prices for electricity spot market in Norway is made. Finally we use recursive least squares learning methods for the prediction of the price for an electricity market and make a comparison with the results produced by a time series prediction method such as the Holt exponential smoothing method.