Πρόβλεψη Προημερήσιων Τιμών Ηλεκτρικής Ενέργειας σε Συζευγμένες Αγορές. Εφαρμογή στην Προημερήσια Αγορά της Ιταλίας

Forecasting of day ahead electricity prices in coupled markets. Implementation in the Italian day ahead market. (Αγγλική)

  1. MSc thesis
  2. ΔΑΣΚΑΛΟΥ, ΚΩΝΣΤΑΝΤΙΝΙΑ
  3. Διοίκηση Επιχειρήσεων (MBA)
  4. 08 Σεπτεμβρίου 2019 [2019-09-08]
  5. Αγγλικά
  6. 64
  7. Διακάκη, Χριστίνα
  8. Διακάκη, Χριστίνα | Ρηγόπουλος, Γεώργιος
  9. Electricity day ahead price forecasting | Πρόβλεψη τιμών ηλεκτρικής ενέργειας, | Market Integration | Ενοποίηση αγορών | Target Model | Μοντέλο Στόχος | Italian day ahead price forecasting | Πρόβλεψη τιμών ηλεκτρικής ενέργειας της Ιταλίας | Artificial Neural Network | Νευρωνικά Δίκτυα
  10. 1
  11. 1
  12. 33
  13. Περιέχει: Πίνακες, Εικόνες, Διαγράμματα
    • Η ενοποίηση των Ευρωπαϊκών αγορών ηλεκτρικής ενέργειας, υπό του κανόνες του Μοντέλου Στόχου και η επερχόμενη εφαρμογή του στην ελληνική χονδρεμπορική αγορά ηλεκτρικής αποτέλεσε το κίνητρο ώστε στην παρούσα διπλωματική εργασία να μελετηθεί η επίδραση των προ ημερήσιων τιμών των γειτονικών αγορών στην πρόβλεψη της Ιταλικής τιμής. Η Ιταλική αγορά επιλέχθηκε καθώς υπάρχουν ενδείξεις ότι μεθοδολογίες που εφαρμόζονται σε αυτήν θα μπορούν να χρησιμοποιηθούν και στην ελληνική αγορά. Προς το σκοπό αυτό, αναπτύχθηκε ένα απλό αλλά αξιόπιστο τεχνητό νευρωνικό δίκτυο ώστε να χρησιμοποιηθεί για την πρόβλεψη τόσο της εθνικής τιμής της Ιταλίας όσο και των επιμέρους Ιταλικών ζωνών ενώ εξετάστηκαν τέσσερα σενάρια μεταβλητών εισόδου προσθέτοντας σταδιακά στο βασικό σενάριο με τις κυριότερες μεταβλητές εισόδου, τις τιμές των συζευγμένων αγορών και της διασυνδεδεμένης αγοράς. Επιπλέον, η εθνική τιμή της Ιταλίας προσεγγίστηκε με δύο μεθοδολογίες: στην πρώτη μεθοδολογία, η τιμή της Ιταλίας προβλέφθηκε χρησιμοποιώντας τις ιστορικές της τιμές ενώ η δεύτερη μεθοδολογία στηρίχθηκε στον υπολογισμό της εθνικής τιμής της Ιταλίας μέσω των προβλεπόμενων τιμών των επιμέρους ζωνών αυτής. Αναφορικά με την πρώτη προσέγγιση, παρατηρήθηκε ότι η εθνική τιμή προβλέπεται με μεγαλύτερη ακρίβεια όταν οι τιμές των γειτονικών αγορών λαμβάνονται υπόψη. Ωστόσο, στην δεύτερη προσέγγιση οι τιμές των γειτονικών αγορών δεν επέδειξαν ισάξια αποτελέσματα σε όλες τις ζώνες. Πιο συγκεκριμένα, σε τρείς ζώνες μεγαλύτερη ακρίβεια πρόβλεψης παρουσιάστηκε με τη συμμετοχή μόνον των συζευγμένων αγορών, σε μία ζώνη μόνο με την τιμή της διασυνδεδεμένης αγοράς, σε μία χώρα με τις τιμές όλων των αγορών ενώ υπήρξε και μία ζώνη που καμία γειτονική αγορά δεν βελτίωσε την ακρίβεια πρόβλεψής της. Επιπρόσθετα, ο υπολογισμός της εθνικής τιμής μέσω των ζωνικών τιμών που προβλέφθηκαν με το σενάριο που οδήγησε στη μεγαλύτερη ακρίβεια, επέδειξε σχετικά καλύτερα αποτελέσματα συγκριτικά με την πρώτη προσέγγιση.
    • Motivated by the increased integration of electricity markets across Europe under the common rules of Target Model and the upcoming implementation of it in the Greek wholesale electricity market, this dissertation studies the impact in the forecasting accuracy of the Italian day ahead prices when day ahead prices of neighboring markets are considered as inputs. The Italian market is selected because there is evidence that methods applicable in the Italian day ahead price forecasting may find a place in the Greek day ahead price forecasting. For this purpose, a simple though reliable Artificial Neural Network (ANN) is developed in order to forecast day ahead prices (zonal prices and national price - PUN) while four scenarios are studied differentiated as for the inputs of the network and adding gradually to the basic input variables the prices of the markets coupled with Italy and the interconnected market. Moreover, two approaches are followed to forecast PUN price: forecasting PUN price using its historical values and computing PUN price through the forecasted zonal day ahead prices. The study showed that in the first approach the day ahead prices of all neighboring markets leads to significant improvements. However, in the second approach, zonal day ahead prices are not affected equally by all neighboring market; three zones yield the best forecasting results consideration only by prices of coupled markets, one zone consideration only by the prices of the interconnected market, one zone consideration by both the coupled markets and the interconnected country and one zone consideration of no neighboring markets. In addition, the computation of the PUN price through the zonal day ahead prices, which are predicted using as inputs the day ahead price of the markets that affects them most, leads to slightly better forecasting results compared to the first approach of PUN individual forecasting.
  14. Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές