National and Kapodistrian University of Athens
Electricity Price Forecasting with Attention-Based Neural Network Architectures
Abstract
dc:descriptionΤα τελευταία χρόνια, οι αγορές ηλεκτρικής ενέργειας έχουν υποστεί σημαντικές αλλαγές, οι οποίες οφείλονται στην εισαγωγή μηχανισμών συναλλαγών ηλεκτρικής ενέργειας βασισμένων σε δημοπρασίες, στους φιλόδοξους στόχους μείωσης των εκπομπών αερίων του θερμοκηπίου και στην αυξανόμενη διείσδυση των Ανανεώσιμων Πηγών Ενέργειας (ΑΠΕ), παράγοντες που από κοινού καθιστούν την πρόβλεψη τιμών ηλεκτρικής ενέργειας ένα ιδιαίτερα μεταβλητό και πολυπαραγοντικό πρόβλημα. Οι εξελίξεις αυτές ανέδειξαν τη σημασία της ποσοτικοποίησης της αβεβαιότητας των προβλέψεων και ενίσχυσαν το ενδιαφέρον για τις πιθανοτικές μεθόδους πρόβλεψης, ιδίως εκείνες που βασίζονται σε μοντέλα βαθιάς μάθησης. Η παρούσα διπλωματική εργασία συνεισφέρει στην πιθανοτική πρόβλεψη τιμών ηλεκτρικής ενέργειας μέσω της εφαρμογής και αξιολόγησης σύγχρονων αρχιτεκτονικών βασισμένων στον μηχανισμό προσοχής (attention), και συγκεκριμένα του Transformer, του Temporal Fusion Transformer (TFT), του PatchTST και του θεμελιώδους μοντέλου (foundation model) Chronos-2, προσαρμοσμένων ώστε να παράγουν προβλέψεις ποσοστημορίων. Τα μοντέλα αξιολογούνται αρχικά στο σύνολο δεδομένων GEFCom2014, υπό το ίδιο πειραματικό πλαίσιο με τον αρχικό διαγωνισμό, στο οποίο, εξ όσων γνωρίζουμε, τέτοιες αρχιτεκτονικές βαθιάς μάθησης δεν έχουν εφαρμοστεί στο παρελθόν· τα αποτελέσματά τους συγκρίνονται τόσο με κλασικά στατιστικά όσο και με νευρωνικά μοντέλα αναφοράς, καθώς και με τις νικήτριες λύσεις του διαγωνισμού. Για την αξιολόγηση της ευρωστίας τους υπό πιο ρεαλιστικές και απαιτητικές συνθήκες, το ίδιο πλαίσιο εφαρμόζεται στη συνέχεια σε πρόσφατα δεδομένα της ελληνικής αγοράς ηλεκτρικής ενέργειας, τα οποία παρουσιάζουν υψηλή μεταβλητότητα, ελλείπουσες τιμές και αρνητικές τιμές. Το πρόβλημα πρόβλεψης συνίσταται στην πρόβλεψη των επόμενων 24 ωρών με βάση ένα ιστορικό παράθυρο παρατήρησης σε συνδυασμό με τα διαθέσιμα εξωγενή χαρακτηριστικά, ενώ η απόδοση αξιολογείται μέσω της συνάρτησης απώλειας pinball, καθώς και μετρικών αξιοπιστίας και οξύτητας. Τα αποτελέσματα δείχνουν ότι τα προτεινόμενα μοντέλα υπερτερούν σταθερά των κλασικών μεθόδων αναφοράς στο GEFCom2014, ενώ σε ορισμένες περιπτώσεις προσεγγίζουν ή και ξεπερνούν τις νικήτριες λύσεις του διαγωνισμού. Στα πιο σύνθετα δεδομένα της ελληνικής αγοράς τα μοντέλα παραμένουν αποτελεσματικά, αν και παρατηρείται κάποια υποβάθμιση της απόδοσης που αποδίδεται στην αυξημένη δυσκολία των χρονοσειρών, γεγονός που υποδεικνύει περιθώρια περαιτέρω βελτίωσης. Συνολικά, το Chronos-2 επιτυγχάνει την καλύτερη απόδοση, ακολουθούμενο στενά από το μοντέλο Transformer.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Κουμαρέλα Βασιλική
- Koumarela Vasiliki
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:5449174