AUEB Library - Digital Repository

PYXIDA Institutional Repository
and Digital Library

Username
Password

Collections :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Πληροφορικής / Department of Informatics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Title :	Optimized electrical load forecasting with automated machine learning: economic impacts in the Greek wholesale energy market leveraging an automated optimal allocation framework

Alternative Title :	Βελτιστοποιημένη πρόβλεψη ηλεκτρικού φορτίου με αυτοματοποιημένη μηχανική μάθηση: οικονομικές επιπτώσεις στην ελληνική χονδρεμπορική αγορά ενέργειας μέσω ενός αυτοματοποιημένου πλαισίου βέλτιστης κατανομής

Creator :	Κουτάντος, Νικόλαος Koutantos, Nikolaos

Contributor :	Burnetas, Apostolos (Επιβλέπων καθηγητής) Manou, Athanasia (Εξεταστής) Vassalos, Paris (Εξεταστής) Athens University of Economics and Business, Department of Informatics (Degree granting institution)

Type :	Text

Extent :	50p.

Language :	en

Identifier :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=11928

Abstract :	Αυτή η μελέτη διερευνά τη χρήση αυτόνομων αυτοματοποιημένων πλαισίων μηχανικής μάθησης για την πρόβλεψη ηλεκτρικών φορτίων με ουδέτερη μεθοδολογική προσέγγιση. Ένας στοχαστικός αλγόριθμος βελτιστοποίησης προτείνεται για την περαιτέρω ελαχιστοποίηση του κόστους και του κινδύνου της διαπραγματευόμενης ενέργειας ως ενός ενιαίου περιουσιακού στοιχείου σε διαφορετικές αγορές ενέργειας. Αυτός ο αλγόριθμος παρέχει ένα γενικό πλαίσιο για τις εμπορικές δραστηριότητες χαρτοφυλακίων φορτίου. Υπό την υπόθεση μιας διαρκώς υπεραγορασμένης κατάστασης τόσο στην Προ-Ημερήσια όσο και στις Αγορές Συμβολαίων Μελλοντικής Εκπλήρωσης, η πλεονάζουσα ενέργεια επιστρέφεται στην αγορά χωρίς έσοδα. Τα αποτελέσματα συγκρίνονται με ένα τυπικό συμβόλαιο στην Ελλάδα, το οποίο προσφέρει τη χαμηλότερη τιμή χρέωσης. Η ανάλυση πέτυχε Μέσο Απόλυτο Ποσοστιαίο Σφάλμα (MAPE) 12,89% με το βέλτιστο μοντέλο, χωρίς τη χρήση μεθόδων προεπεξεργασίας. This study explores the use of autonomous automated machine learning frameworks for forecasting electrical loads in a method-neutral manner. A stochastic optimization algorithm is introduced to further minimize the cost and risk of the traded energy as a single asset across different energy markets. This algorithm provides a generic framework for trading activities of load portfolios. Under the assumption of an always overbought condition in both the Day-Ahead and Futures markets, excess energy is returned to the market without revenue. The results are compared with a standard contract in Greece, which offers the lowest billing price. The analysis achieved a Mean Absolute Percentage Error (MAPE) of 12.89% with the best-fitted model, without the use of pre-processing methods.

Abstract :

Αυτή η μελέτη διερευνά τη χρήση αυτόνομων αυτοματοποιημένων πλαισίων μηχανικής μάθησης για την πρόβλεψη ηλεκτρικών φορτίων με ουδέτερη μεθοδολογική προσέγγιση. Ένας στοχαστικός αλγόριθμος βελτιστοποίησης προτείνεται για την περαιτέρω ελαχιστοποίηση του κόστους και του κινδύνου της διαπραγματευόμενης ενέργειας ως ενός ενιαίου περιουσιακού στοιχείου σε διαφορετικές αγορές ενέργειας. Αυτός ο αλγόριθμος παρέχει ένα γενικό πλαίσιο για τις εμπορικές δραστηριότητες χαρτοφυλακίων φορτίου. Υπό την υπόθεση μιας διαρκώς υπεραγορασμένης κατάστασης τόσο στην Προ-Ημερήσια όσο και στις Αγορές Συμβολαίων Μελλοντικής Εκπλήρωσης, η πλεονάζουσα ενέργεια επιστρέφεται στην αγορά χωρίς έσοδα. Τα αποτελέσματα συγκρίνονται με ένα τυπικό συμβόλαιο στην Ελλάδα, το οποίο προσφέρει τη χαμηλότερη τιμή χρέωσης. Η ανάλυση πέτυχε Μέσο Απόλυτο Ποσοστιαίο Σφάλμα (MAPE) 12,89% με το βέλτιστο μοντέλο, χωρίς τη χρήση μεθόδων προεπεξεργασίας.
This study explores the use of autonomous automated machine learning frameworks for forecasting electrical loads in a method-neutral manner. A stochastic optimization algorithm is introduced to further minimize the cost and risk of the traded energy as a single asset across different energy markets. This algorithm provides a generic framework for trading activities of load portfolios. Under the assumption of an always overbought condition in both the Day-Ahead and Futures markets, excess energy is returned to the market without revenue. The results are compared with a standard contract in Greece, which offers the lowest billing price. The analysis achieved a Mean Absolute Percentage Error (MAPE) of 12.89% with the best-fitted model, without the use of pre-processing methods.

Subject :	Αυτοματοποιημένη μηχανική μάθηση Βελτιστοποίηση υπερπαραμέτρων Πρόβλεψη φορτίου Στοχαστική βελτιστοποίηση Διαφοροποίηση χαρτοφυλακίου Ensemble making model Automated machine learning Hyperparameter optimization Load forecasting Stochastic optimization Portfolio optimization

Date Available :	2025-03-03 19:59:41

Date Issued :	14-02-2025

Date Submitted :	2025-03-03 19:59:41

Access Rights :	Free access

Licence :

File: Koutantos_2025.pdf

Type: application/pdf

Login