Πρόβλεψη οριακής τιμής ηλεκτρικής ενέργειας με τη χρήση τεχνητών νευρωνικών δικτύων

Abstract

Στην παρούσα διπλωματική εργασία επιδιώκεται να πραγματοποιηθεί βραχυπρόθεσμη πρόβλεψη για την οριακή τιμή της ηλεκτρικής ενέργειας στην Προ-Ημερήσια Αγορά ενέργειας ή Αγορά Επόμενης Ημέρας. Η ανάγκη για τέτοια πρόβλεψη αναδείχτηκε με την απελευθέρωση της αγοράς και τη διείσδυση πολλών συμμετοχόντων σε αυτήν. Στο περιβάλλον του ανταγωνισμού και της μεταβλητότητας που χαρακτηρίζει την αγορά, μια εύστοχη πρόγνωση της τιμής της ηλεκτρικής ενέργειας της επόμενης ημέρας επωφελεί όλους τους συμμετέχοντες, για διαφορετικούς λόγους έκαστο. Η προσέγγισή μας για αυτή την πρόγνωση γίνεται με δύο τρόπους, αρχικά με στατιστικές μεθόδους, και ειδικότερα με αυτοπαλίνδρομα μοντέλα κινητού μέσου όρου (ARMA), και στη συνέχεια με τη χρήση τεχνητών νευρωνικών δικτύων. Συγκεκριμένα, εξετάζονται δύο κατηγορίες εξειδικευμένων νευρωνικών μοντέλων: τα Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks ή CNN) και τα Αναδρομικά Νευρωνικά Δίκτυα που αποτελούνται από στρώματα νευρώνων Μακράς και Βραχείας Μνήμης (Long and Short Term Memory ή LSTM). Προκειμένου να μελετηθεί η συνεισφορά των δύο κατηγοριών μοντέλων υλοποιούνται τρία διαφορετικά μοντέλα: Ένα νευρωνικό δίκτυο μονοδιάστατης συνέλιξης (1D-CNN) και δύο αναδρομικά δίκτυα νευρώνων μακράς και βραχείας μνήμης, εκ των οποίων το δεύτερο χρησιμοποιεί ως είσοδο τα χαρακτηριστικά που εξάγει ένα μονοδιάστατο συνελικτικό νευρωνικό δίκτυο (CNN-LSTM). Στη συνέχεια, εκτιμάται η απόδοση των μοντέλων, συγκρίνονται τα σφάλματα που προκύπτουν από τις διαφορετικές μεθόδους πρόβλεψης, διαπιστώνεται η υπεροχή των νευρωνικών έναντι των στατιστικών μοντέλων και αξιολογείται η βελτίωση που προσφέρει η χρήση μηχανικής μάθησης στην πρόγνωση των οριακών τιμών ηλεκτρικής ενέργειας.