Πρόβλεψη τιμής και φορτίου ηλεκτρικής ενέργειας στην ελληνική αγορά επόμενης ημέρας με μεθόδους μηχανικής μάθησης
Loading...
Date
2026-07-01
Authors
Σολωμός, Άγγελος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διπλωματική εργασία εξετάζει τη βραχυπρόθεσμη πρόβλεψη τιμών της Αγοράς Επόμε‐ νης Ημέρας και ηλεκτρικού φορτίου στο ελληνικό σύστημα ηλεκτρικής ενέργειας με χρήση μεθόδων μηχανικής μάθησης. Στόχος είναι η συστηματική αξιολόγηση διαφορετικών στρατηγικών πρόβλε‐ ψης για ορίζοντα 24 ωρών και η διερεύνηση της συμπεριφοράς τους σε περιόδους αυξημένης μεταβλητότητας και μεταβολής κατανομής.Για τον σκοπό αυτό κατασκευάζεται ενιαίο σύνολο δεδομένων από δημόσια διαθέσιμες πηγές, κυρίως την πλατφόρμα ENTSO‐E Transparency, εμπλουτισμένο με χρονικές υστερήσεις, ημερο‐ λογιακές μεταβλητές και εξωγενείς παράγοντες. Συγκρίνονται τέσσερις στρατηγικές πρόβλεψης, Teacher‐Forcing, Recursive, Multi‐Input Multi‐Output και Direct, σε δύο πλαίσια εκπαίδευσης, στα‐ τική εκπαίδευση και μηνιαία walk‐forward επανεκπαίδευση. Η αξιολόγηση πραγματοποιείται για πέντε αλγορίθμους, LightGBM, XGBoost, Random Forest, SVR και MLP, με χρήση των δεικτών MAE, RMSE και sMAPE. Επιπλέον, εφαρμόζεται στατιστικός έλεγχος Diebold‐Mariano με διόρθωση Harvey‐Leybourne‐Newbold, ενώ η ανάλυση σημαντικότητας χαρακτηριστικών και ένα διαδραστικό εργαλείο οπτικοποίησης χρησιμοποιούνται για την ερμηνεία και παρουσίαση των αποτελεσμάτων.Τα αποτελέσματα δείχνουν ότι η μηνιαία walk‐forward επανεκπαίδευση αποτελεί κρίσιμο παρά‐ γοντα απόδοσης σε εκτεταμένες περιόδους αξιολόγησης. Στο Q1 2026, το καλύτερο retrained LightGBM μοντέλο αναφοράς επιτυγχάνει MAE 10,46 €/MWh στην πρόβλεψη τιμής και 69,4 MW στην πρόβλεψη φορτίου, μειώνοντας το σφάλμα περίπου κατά 28% και 29% αντίστοιχα σε σχέση με τη στατική εκπαίδευση. Τα μοντέλα LightGBM και XGBoost εμφανίζουν την πιο σταθερή συνολική συμπεριφορά, ενώ το SVR παρουσιάζει μειωμένη ανθεκτικότητα σε περιόδους μεταβολής κατανο‐ μής. Το Teacher‐Forcing λειτουργεί ως ιδεατό μοντέλο αναφοράς, χωρίς να είναι άμεσα εφαρμόσιμο στην πράξη, ενώ η Recursive στρατηγική με walk‐forward επανεκπαίδευση αναδεικνύεται ως η πιο κατάλληλη επιλογή για επιχειρησιακή χρήση. Η ανάλυση σημαντικότητας χαρακτηριστικών δείχνει ότι η στρατηγική πρόβλεψης επηρεάζει καθοριστικά το είδος της πληροφορίας που αξιοποιείται από τα μοντέλα.Συνολικά, η εργασία καταλήγει ότι η αξιόπιστη βραχυπρόθεσμη πρόβλεψη στην ελληνική αγορά δεν εξαρτάται αποκλειστικά από την επιλογή αλγορίθμου, αλλά από τον συνδυασμό κατάλληλης στρατηγικής πρόβλεψης, συστηματικής επανεκπαίδευσης και ερμηνεύσιμης αξιολόγησης χωρίς διαρροή πληροφορίας.
Description
Keywords
Ελληνική αγορά επόμενης ημέρας, Στρατηγικές πρόβλεψης, Mηχανική μάθηση, Πρόβλεψη ηλεκτρικού φορτίου, Πρόβλεψη τιμής ηλεκτρικής ενέργειας, Walk-forward επανεκπαίδευση