{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5311221"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5311221","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Day-ahead electricity price forecasting in the greek market","abstract":"Η τιμή της ηλεκτρικής ενέργειας στην ελληνική αγορά χαρακτηρίζεται από υψηλή μεταβλητότητα. Αυτό οφείλεται στη δομή του μείγματος παραγωγής, όπου οι διαφορετικές πηγές ενέργειας διαμορφώνουν τη διακύμανση της ημερήσιας τιμής. Η ικανότητα πρόβλεψης και εκτίμησης των τιμών της αγοράς είναι ιδιαίτερα πολύτιμη και σημαντική για όλους τους συμμετέχοντες στην αγορά. Η παρούσα μελέτη εξετάζει την ικανότητα πρόβλεψης των τιμών ηλεκτρικής ενέργειας στην Ελληνική Αγορά Επόμενης Ημέρας, μια αγορά που χαρακτηρίζεται από αυξανόμενη διείσδυση ανανεώσιμων πηγών ενέργειας, ισχυρή εξάρτηση από εισαγόμενο φυσικό αέριο και έκθεση στους ευρωπαϊκούς μηχανισμούς τιμολόγησης του άνθρακα. Ο κύριος στόχος είναι η ανάπτυξη και αξιολόγηση τριών διαφορετικών μοντέλων πρόβλεψης, ικανών να αποτυπώσουν τους βασικούς παράγοντες που διαμορφώνουν τις τιμές υπό ρεαλιστικές συνθήκες αγοράς. Η ανάλυση βασίζεται σε ωριαία δεδομένα που καλύπτουν την περίοδο 2021-2024 και περιλαμβάνει ένα ευρύ σύνολο επεξηγηματικών μεταβλητών που αντιπροσωπεύουν τη δυναμική των ιστορικών τιμών, τα θεμελιώδη στοιχεία της αγοράς και τα χρονικά μοτίβα. Οι επιλεγμένες μεταβλητές περιλαμβάνουν το λιγνίτη το φυσικό αέριο τις ανανεώσιμες πηγές τις διασυνοριακές εισαγωγές τον δείκτη τιμών φυσικού αερίου και κυκλικούς παράγοντες όπως ώρα, ημέρα και μήνα. Η μελέτη περιλαμβάνει μια παραδοσιακή οικονομική προσέγγιση και παράλληλα, δύο τεχνικές μηχανικής μάθησης σχεδιασμένες να αποτυπώνουν μη γραμμικές σχέσεις και πολύπλοκες αλληλεπιδράσεις μεταξύ των μεταβλητών. Όλα τα μοντέλα εκπαιδεύονται με δεδομένα της περιόδου 2021-2023 και ελέγχονται σε μη παρατηρημένα δεδομένα για το 2024, ακολουθώντας ένα συνεπές πλαίσιο αξιολόγησης. Χρησιμοποιούνται πολλαπλοί δείκτες απόδοσης για την αξιολόγηση της ακρίβειας και της αξιοπιστίας των προβλέψεων. Συνδυάζοντας στατιστικές και μεθόδους μηχανικής μάθησης, οι οποίες έχουν ήδη εφαρμοστεί σε άλλες ευρωπαϊκές χώρες για την πρόβλεψη της Αγοράς Επόμενης Ημέρας, η έρευνα αυτή στοχεύει στην καλύτερη κατανόηση της διαμόρφωσης των τιμών στην ελληνική αγορά και στην αξιολόγηση της εφαρμοσιμότητας προηγμένων μεθόδων για τη βραχυπρόθεσμη πρόβλεψη τιμών ηλεκτρικής ενέργειας.","abstract_html":"Η τιμή της ηλεκτρικής ενέργειας στην ελληνική αγορά χαρακτηρίζεται από υψηλή μεταβλητότητα. Αυτό οφείλεται στη δομή του μείγματος παραγωγής, όπου οι διαφορετικές πηγές ενέργειας διαμορφώνουν τη διακύμανση της ημερήσιας τιμής. Η ικανότητα πρόβλεψης και εκτίμησης των τιμών της αγοράς είναι ιδιαίτερα πολύτιμη και σημαντική για όλους τους συμμετέχοντες στην αγορά. Η παρούσα μελέτη εξετάζει την ικανότητα πρόβλεψης των τιμών ηλεκτρικής ενέργειας στην Ελληνική Αγορά Επόμενης Ημέρας, μια αγορά που χαρακτηρίζεται από αυξανόμενη διείσδυση ανανεώσιμων πηγών ενέργειας, ισχυρή εξάρτηση από εισαγόμενο φυσικό αέριο και έκθεση στους ευρωπαϊκούς μηχανισμούς τιμολόγησης του άνθρακα. Ο κύριος στόχος είναι η ανάπτυξη και αξιολόγηση τριών διαφορετικών μοντέλων πρόβλεψης, ικανών να αποτυπώσουν τους βασικούς παράγοντες που διαμορφώνουν τις τιμές υπό ρεαλιστικές συνθήκες αγοράς. Η ανάλυση βασίζεται σε ωριαία δεδομένα που καλύπτουν την περίοδο 2021-2024 και περιλαμβάνει ένα ευρύ σύνολο επεξηγηματικών μεταβλητών που αντιπροσωπεύουν τη δυναμική των ιστορικών τιμών, τα θεμελιώδη στοιχεία της αγοράς και τα χρονικά μοτίβα. Οι επιλεγμένες μεταβλητές περιλαμβάνουν το λιγνίτη το φυσικό αέριο τις ανανεώσιμες πηγές τις διασυνοριακές εισαγωγές τον δείκτη τιμών φυσικού αερίου και κυκλικούς παράγοντες όπως ώρα, ημέρα και μήνα. Η μελέτη περιλαμβάνει μια παραδοσιακή οικονομική προσέγγιση και παράλληλα, δύο τεχνικές μηχανικής μάθησης σχεδιασμένες να αποτυπώνουν μη γραμμικές σχέσεις και πολύπλοκες αλληλεπιδράσεις μεταξύ των μεταβλητών. Όλα τα μοντέλα εκπαιδεύονται με δεδομένα της περιόδου 2021-2023 και ελέγχονται σε μη παρατηρημένα δεδομένα για το 2024, ακολουθώντας ένα συνεπές πλαίσιο αξιολόγησης. Χρησιμοποιούνται πολλαπλοί δείκτες απόδοσης για την αξιολόγηση της ακρίβειας και της αξιοπιστίας των προβλέψεων. Συνδυάζοντας στατιστικές και μεθόδους μηχανικής μάθησης, οι οποίες έχουν ήδη εφαρμοστεί σε άλλες ευρωπαϊκές χώρες για την πρόβλεψη της Αγοράς Επόμενης Ημέρας, η έρευνα αυτή στοχεύει στην καλύτερη κατανόηση της διαμόρφωσης των τιμών στην ελληνική αγορά και στην αξιολόγηση της εφαρμοσιμότητας προηγμένων μεθόδων για τη βραχυπρόθεσμη πρόβλεψη τιμών ηλεκτρικής ενέργειας.","abstract_has_math":false,"creators":["ΦΩΤΟΠΟΥΛΟΣ ΓΕΩΡΓΙΟΣ-ΟΔΥΣΣΕΑΣ","FOTOPOULOS GEORGIOS-ODYSSEAS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:40:45Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5311221"],"render_values":[{"text":"uoadl:5311221","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5311221","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5311221","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5311221","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΦΩΤΟΠΟΥΛΟΣ ΓΕΩΡΓΙΟΣ-ΟΔΥΣΣΕΑΣ","FOTOPOULOS GEORGIOS-ODYSSEAS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5311221","https://pergamos.lib.uoa.gr/uoa/dl/object/5311221"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η τιμή της ηλεκτρικής ενέργειας στην ελληνική αγορά χαρακτηρίζεται από υψηλή μεταβλητότητα. Αυτό οφείλεται στη δομή του μείγματος παραγωγής, όπου οι διαφορετικές πηγές ενέργειας διαμορφώνουν τη διακύμανση της ημερήσιας τιμής. Η ικανότητα πρόβλεψης και εκτίμησης των τιμών της αγοράς είναι ιδιαίτερα πολύτιμη και σημαντική για όλους τους συμμετέχοντες στην αγορά. Η παρούσα μελέτη εξετάζει την ικανότητα πρόβλεψης των τιμών ηλεκτρικής ενέργειας στην Ελληνική Αγορά Επόμενης Ημέρας, μια αγορά που χαρακτηρίζεται από αυξανόμενη διείσδυση ανανεώσιμων πηγών ενέργειας, ισχυρή εξάρτηση από εισαγόμενο φυσικό αέριο και έκθεση στους ευρωπαϊκούς μηχανισμούς τιμολόγησης του άνθρακα. Ο κύριος στόχος είναι η ανάπτυξη και αξιολόγηση τριών διαφορετικών μοντέλων πρόβλεψης, ικανών να αποτυπώσουν τους βασικούς παράγοντες που διαμορφώνουν τις τιμές υπό ρεαλιστικές συνθήκες αγοράς. Η ανάλυση βασίζεται σε ωριαία δεδομένα που καλύπτουν την περίοδο 2021-2024 και περιλαμβάνει ένα ευρύ σύνολο επεξηγηματικών μεταβλητών που αντιπροσωπεύουν τη δυναμική των ιστορικών τιμών, τα θεμελιώδη στοιχεία της αγοράς και τα χρονικά μοτίβα. Οι επιλεγμένες μεταβλητές περιλαμβάνουν το λιγνίτη το φυσικό αέριο τις ανανεώσιμες πηγές τις διασυνοριακές εισαγωγές τον δείκτη τιμών φυσικού αερίου και κυκλικούς παράγοντες όπως ώρα, ημέρα και μήνα. Η μελέτη περιλαμβάνει μια παραδοσιακή οικονομική προσέγγιση και παράλληλα, δύο τεχνικές μηχανικής μάθησης σχεδιασμένες να αποτυπώνουν μη γραμμικές σχέσεις και πολύπλοκες αλληλεπιδράσεις μεταξύ των μεταβλητών. Όλα τα μοντέλα εκπαιδεύονται με δεδομένα της περιόδου 2021-2023 και ελέγχονται σε μη παρατηρημένα δεδομένα για το 2024, ακολουθώντας ένα συνεπές πλαίσιο αξιολόγησης. Χρησιμοποιούνται πολλαπλοί δείκτες απόδοσης για την αξιολόγηση της ακρίβειας και της αξιοπιστίας των προβλέψεων. Συνδυάζοντας στατιστικές και μεθόδους μηχανικής μάθησης, οι οποίες έχουν ήδη εφαρμοστεί σε άλλες ευρωπαϊκές χώρες για την πρόβλεψη της Αγοράς Επόμενης Ημέρας, η έρευνα αυτή στοχεύει στην καλύτερη κατανόηση της διαμόρφωσης των τιμών στην ελληνική αγορά και στην αξιολόγηση της εφαρμοσιμότητας προηγμένων μεθόδων για τη βραχυπρόθεσμη πρόβλεψη τιμών ηλεκτρικής ενέργειας.","The electricity price in the Greek market is characterized by high volatility. This occurs due to the structure of the generation mix, where different sources of production shape the daily price. The ability to forecast and predict market prices is highly valuable and important for all market participants. This study explores the ability to forecast electricity prices in the Greek Day-Ahead Market, a market marked by increasing renewable integration, strong dependence on imported natural gas and exposure to European carbon pricing mechanisms. The main objective is to develop and evaluate three different forecasting models capable of capturing the key drivers of price formation under realistic market conditions. The analysis is based on hourly data covering the period from 2021 to 2024, incorporating a wide set of explanatory variables that represent historical price dynamics, market fundamentals and temporal patterns. The selected variables include fuel-specific generation (lignite, natural gas, renewable sources), cross-border imports, natural gas price indices and cyclical factors such as hour, day and month. The study includes a traditional econometric approach and in parallel, two machine learning techniques designed to capture non-linear relationships and complex interactions among variables. All models are trained on data from 2021 to 2023 and tested on unseen data for 2024, following a consistent evaluation framework. Multiple performance metrics are employed to assess forecasting accuracy and robustness. By combining both statistical and machine learning approaches, which have already been applied in other European countries for Day-Ahead Market forecasting, this research aims to enhance the understanding of price dynamics in the Greek market and to explore the applicability of advanced data-driven methods for short-term electricity price forecasting."]},{"key":"dc:title","label":"Title","values":["Day-ahead electricity price forecasting in the greek market"]}]}],"canonical_facts":{"dc:creator":["ΦΩΤΟΠΟΥΛΟΣ ΓΕΩΡΓΙΟΣ-ΟΔΥΣΣΕΑΣ","FOTOPOULOS GEORGIOS-ODYSSEAS"],"dc:date":["2025"],"dc:description":["Η τιμή της ηλεκτρικής ενέργειας στην ελληνική αγορά χαρακτηρίζεται από υψηλή μεταβλητότητα. Αυτό οφείλεται στη δομή του μείγματος παραγωγής, όπου οι διαφορετικές πηγές ενέργειας διαμορφώνουν τη διακύμανση της ημερήσιας τιμής. Η ικανότητα πρόβλεψης και εκτίμησης των τιμών της αγοράς είναι ιδιαίτερα πολύτιμη και σημαντική για όλους τους συμμετέχοντες στην αγορά. Η παρούσα μελέτη εξετάζει την ικανότητα πρόβλεψης των τιμών ηλεκτρικής ενέργειας στην Ελληνική Αγορά Επόμενης Ημέρας, μια αγορά που χαρακτηρίζεται από αυξανόμενη διείσδυση ανανεώσιμων πηγών ενέργειας, ισχυρή εξάρτηση από εισαγόμενο φυσικό αέριο και έκθεση στους ευρωπαϊκούς μηχανισμούς τιμολόγησης του άνθρακα. Ο κύριος στόχος είναι η ανάπτυξη και αξιολόγηση τριών διαφορετικών μοντέλων πρόβλεψης, ικανών να αποτυπώσουν τους βασικούς παράγοντες που διαμορφώνουν τις τιμές υπό ρεαλιστικές συνθήκες αγοράς. Η ανάλυση βασίζεται σε ωριαία δεδομένα που καλύπτουν την περίοδο 2021-2024 και περιλαμβάνει ένα ευρύ σύνολο επεξηγηματικών μεταβλητών που αντιπροσωπεύουν τη δυναμική των ιστορικών τιμών, τα θεμελιώδη στοιχεία της αγοράς και τα χρονικά μοτίβα. Οι επιλεγμένες μεταβλητές περιλαμβάνουν το λιγνίτη το φυσικό αέριο τις ανανεώσιμες πηγές τις διασυνοριακές εισαγωγές τον δείκτη τιμών φυσικού αερίου και κυκλικούς παράγοντες όπως ώρα, ημέρα και μήνα. Η μελέτη περιλαμβάνει μια παραδοσιακή οικονομική προσέγγιση και παράλληλα, δύο τεχνικές μηχανικής μάθησης σχεδιασμένες να αποτυπώνουν μη γραμμικές σχέσεις και πολύπλοκες αλληλεπιδράσεις μεταξύ των μεταβλητών. Όλα τα μοντέλα εκπαιδεύονται με δεδομένα της περιόδου 2021-2023 και ελέγχονται σε μη παρατηρημένα δεδομένα για το 2024, ακολουθώντας ένα συνεπές πλαίσιο αξιολόγησης. Χρησιμοποιούνται πολλαπλοί δείκτες απόδοσης για την αξιολόγηση της ακρίβειας και της αξιοπιστίας των προβλέψεων. Συνδυάζοντας στατιστικές και μεθόδους μηχανικής μάθησης, οι οποίες έχουν ήδη εφαρμοστεί σε άλλες ευρωπαϊκές χώρες για την πρόβλεψη της Αγοράς Επόμενης Ημέρας, η έρευνα αυτή στοχεύει στην καλύτερη κατανόηση της διαμόρφωσης των τιμών στην ελληνική αγορά και στην αξιολόγηση της εφαρμοσιμότητας προηγμένων μεθόδων για τη βραχυπρόθεσμη πρόβλεψη τιμών ηλεκτρικής ενέργειας.","The electricity price in the Greek market is characterized by high volatility. This occurs due to the structure of the generation mix, where different sources of production shape the daily price. The ability to forecast and predict market prices is highly valuable and important for all market participants. This study explores the ability to forecast electricity prices in the Greek Day-Ahead Market, a market marked by increasing renewable integration, strong dependence on imported natural gas and exposure to European carbon pricing mechanisms. The main objective is to develop and evaluate three different forecasting models capable of capturing the key drivers of price formation under realistic market conditions. The analysis is based on hourly data covering the period from 2021 to 2024, incorporating a wide set of explanatory variables that represent historical price dynamics, market fundamentals and temporal patterns. The selected variables include fuel-specific generation (lignite, natural gas, renewable sources), cross-border imports, natural gas price indices and cyclical factors such as hour, day and month. The study includes a traditional econometric approach and in parallel, two machine learning techniques designed to capture non-linear relationships and complex interactions among variables. All models are trained on data from 2021 to 2023 and tested on unseen data for 2024, following a consistent evaluation framework. Multiple performance metrics are employed to assess forecasting accuracy and robustness. By combining both statistical and machine learning approaches, which have already been applied in other European countries for Day-Ahead Market forecasting, this research aims to enhance the understanding of price dynamics in the Greek market and to explore the applicability of advanced data-driven methods for short-term electricity price forecasting."],"dc:identifier":["uoadl:5311221","https://pergamos.lib.uoa.gr/uoa/dl/object/5311221"],"dc:language":["English"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Day-ahead electricity price forecasting in the greek market"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:45Z"}