Ημερολόγιο Εκδηλώσεων

ΑΝΑΚΟΙΝΩΣΗ ΠΑΡΟΥΣΙΑΣΗΣ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΔΙΑΤΡΙΒΗΣ

Όνοματεπώνυμο Μεταπτυχιακού Φοιτητή: ΠΑΡΑΣΚΕΥΗ ΚΟΥΡΕΝΤΖΗ

Α.Μ.: 2024057013

Ημερομηνία Παρουσίασης: 06/07/2026

Ώρα: 14:00

Αίθουσα: Zoom Meeting

https://us05web.zoom.us/j/81646663987?pwd=K3T0o1nMuuBYO6l5TlIax0gsqWB2Pi.1

Θέμα ΔΜΣ «Πρόβλεψη τιμών ηλεκτρικής ενέργειας στην ελληνική αγορά επόμενης ημέρας με χρήση μηχανικής μάθησης»

Title MSc «Electric price nowcasting in the Greek day - ahead market using machine learning»

Επιβλέπων: ΘΕΟΧΑΡΗΣ ΤΣΟΥΤΣΟΣ

Τριμελής Εξεταστική Επιτροπή:

1. Θεοχάρης Τσούτσος
2. Αλέξανδρος Φλάμος
3. Νικόλαος Διαγγελάκης

Περίληψη:

Η παρούσα διπλωματική εργασία αναλύει τη χρήση αλγορίθμων μηχανικής μάθησης για την πρόβλεψη των τιμών ηλεκτρικής ενέργειας στην Ελληνική Αγορά Επόμενης Ημέρας, με ιδιαίτερη έμφαση στην επίδραση της ενσωμάτωσης των ανανεώσιμων πηγών ενέργειας στη διαδικασία διαμόρφωσης των χονδρεμπορικών τιμών ηλεκτρικής ενέργειας. Η αύξηση του μεριδίου των ανανεώσιμων πηγών ενέργειας, σε συνδυασμό με την εφαρμογή του Ευρωπαϊκού Μοντέλου-Στόχου και την ενισχυμένη διασύνδεση των ευρωπαϊκών αγορών ηλεκτρικής ενέργειας, έχει καταστήσει τη δυναμική των τιμών ηλεκτρικής ενέργειας σημαντικά πιο σύνθετη. Υπό αυτές τις συνθήκες, η βραχυπρόθεσμη πρόβλεψη των τιμών ηλεκτρικής ενέργειας έχει καταστεί απαραίτητη για όλους τους εμπλεκόμενους φορείς της αγοράς.

Η εργασία παρουσιάζει ένα μοντέλο πρόβλεψης που βασίζεται στην τεχνική μηχανικής μάθησης Random Forest, με στόχο την πρόβλεψη της τιμής ηλεκτρικής ενέργειας στην Αγορά Επόμενης Ημέρας στην Ελλάδα. Το σύνολο δεδομένων που χρησιμοποιήθηκε στην παρούσα μελέτη καλύπτει την περίοδο 2022–2025 σε ωριαία βάση και περιλαμβάνει διάφορες μεταβλητές πρόβλεψης, όπως η συμμετοχή των ανανεώσιμων πηγών ενέργειας στο ηλεκτρικό σύστημα, οι καιρικές συνθήκες, χρονικοί παράγοντες, καθώς και οι διασυνοριακές ροές ηλεκτρικής ενέργειας. Οι παρατηρήσεις που καταγράφηκαν από το 2022 έως και το 2023 χρησιμοποιήθηκαν για την εκπαίδευση του μοντέλου, ενώ οι παρατηρήσεις του έτους 2024 χρησιμοποιήθηκαν για σκοπούς ελέγχου και αξιολόγησης. Στη συνέχεια, το εκπαιδευμένο μοντέλο εφαρμόστηκε για την παραγωγή προβλέψεων για το έτος 2025.

Τα αποτελέσματα δείχνουν ότι η μέθοδος Random Forest παρουσίασε υψηλή ακρίβεια πρόβλεψης τόσο σε ωριαίο όσο και σε ημερήσιο και μηνιαίο επίπεδο. Το προτεινόμενο μοντελοποιητικό πλαίσιο κατάφερε να αποτυπώσει τη συνιστώσα της εποχικότητας, τα ημερήσια πρότυπα ζήτησης ηλεκτρικής ενέργειας, καθώς και το μεγαλύτερο μέρος των βραχυπρόθεσμων διακυμάνσεων που παρατηρήθηκαν στην ελληνική αγορά ηλεκτρικής ενέργειας. Η ανάλυση συσχέτισης επιβεβαίωσε επίσης τον υψηλό βαθμό χρονικής εξάρτησης των τιμών ηλεκτρικής ενέργειας, με τις υστερημένες τιμές της αγοράς να συγκαταλέγονται μεταξύ των σημαντικότερων μεταβλητών πρόβλεψης. Επιπλέον, η έρευνα κατέδειξε την ύπαρξη αρνητικής συσχέτισης μεταξύ των επιπέδων διείσδυσης των ανανεώσιμων πηγών ενέργειας και των τιμών ηλεκτρικής ενέργειας, εύρημα που συνάδει με την έννοια του φαινομένου της σειράς ένταξης, γνωστού στη βιβλιογραφία της ενεργειακής οικονομίας ως merit order effect.

Επιπρόσθετα, η μελέτη αναδεικνύει τη σημασία των καιρικών παραγόντων, των χρονικών μεταβλητών και των διασυνοριακών ροών στη διαμόρφωση της δυναμικής των τιμών ηλεκτρικής ενέργειας στην Ελλάδα. Παρά την υψηλή ακρίβεια του μοντέλου, οι προβλέψεις παρουσίασαν μεγαλύτερες αποκλίσεις κατά τη διάρκεια περιόδων έντονης αστάθειας της αγοράς και σημαντικών διακυμάνσεων των τιμών, γεγονός που οφείλεται στην απρόβλεπτη φύση του περιβάλλοντος της αγοράς ηλεκτρικής ενέργειας.

Abstract:

The thesis will analyze the use of the machine learning algorithm to forecast electricity prices on the Greek Day Ahead Power Market, especially analyzing the impact of integrating renewable energy sources on the process of forming wholesale electricity prices. The growth of the share of renewable energy sources along with the introduction of the European Target Model and the increased interconnectedness of European electricity markets have greatly complicated the dynamics of electricity prices. Under such circumstances, short-term electricity price prediction has become essential for all stakeholders.

The paper presents a prediction model employing the machine learning technique of the random forest to predict Day-Ahead Market electricity price in Greece. The dataset employed for the study includes information over the period 2022-2025 on an hourly basis and consists of different predictors that include the presence of renewables in the system, weather conditions, time factors, as well as electricity trade across borders. Observations recorded from 2022 up to 2023 are used for model training, whereas observations for the year 2024 were considered for testing purposes. The model obtained was then used for predictions in the year 2025.

The results show that the random forest approach demonstrated excellent forecasting accuracy for both hourly, daily, and monthly prediction tasks. The modeling framework was able to identify the seasonality component, daily electricity demand patterns, and almost all short-term variations that occurred in the Greek power market. The correlation analysis also confirmed the high degree of temporal dependence of electricity prices, with lagged price terms being among the most significant predictors. Moreover, the research found evidence for a negative correlation between renewable energy deployment levels and electricity prices, which aligns with the concept known as the merit order effect described in the literature on energy economics.

Furthermore, the study reveals the significance of weather factors, time-related factors, and interconnection flows in determining the dynamics of electricity prices in Greece. Despite the model's high accuracy, the predictions exhibited larger deviations during periods of intense market instability and price fluctuations, owing to the unpredictable nature of the electricity market environment.