Πρόβλεψη Τιμών Ηλεκτρικής Ενέργειας Ευρωπαϊκών Αγορών Εξισορρόπησης

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. 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.