AI - enabled price and system imbalance forecasting for the optimal participation of flexible industrial loads in the Day-ahead and balancing market

Abstract

This doctoral dissertation investigates the participation of industrial consumers in modern electricity markets. The increasing need for flexibility in power systems, the transition of European electricity markets to a 15-minute market time resolution, and the growing volatility of electricity prices necessitate the development of advanced forecasting and decision-support tools. The dissertation proposes an integrated framework that combines ML techniques with mathematical optimization to support the participation of industrial loads in both the Day-Ahead Market (DAM) and the Balancing Market (BM). For DAM price forecasting, a hybrid model combining machine learning and neural network techniques is developed. For the BM, a probabilistic forecasting framework is implemented to predict both system imbalance and imbalance prices. The forecasts are then integrated into a Mixed-Integer Linear Programming (MILP) model that represents the operation of a steel production industry, considering technological constraints, process interdependencies, and production requirements. Through the evaluation of different operational scenarios, the economic value of flexibility and the impact of forecasting accuracy on market outcomes are assessed. The dissertation contributes to the areas of electricity price forecasting and operational optimization, providing a scalable decision-support framework for the participation of industrial facilities in electricity markets.

Η παρούσα διδακτορική διατριβή εξετάζει τη συμμετοχή βιομηχανικών καταναλωτών στις σύγχρονες αγορές ηλεκτρικής ενέργειας. Η αυξανόμενη ανάγκη του ηλεκτρικού συστήματος για ευελιξία, η μετάβαση των ευρωπαϊκών αγορών σε 15-λεπτη χρονική ανάλυση και η αυξανόμενη μεταβλητότητα των τιμών καθιστούν αναγκαία την ανάπτυξη προηγμένων εργαλείων πρόβλεψης και λήψης αποφάσεων. Η διατριβή προτείνει ένα ολοκληρωμένο πλαίσιο που συνδυάζει τεχνικές μηχανικής μάθησης και μαθηματικής βελτιστοποίησης για τη συμμετοχή βιομηχανικών φορτίων στην Αγορά Επόμενης Ημέρας και στην Αγορά Εξισορρόπησης. Για την πρόβλεψη των τιμών της αγοράς επόμενης ημέρας αναπτύσσεται ένα υβριδικό μοντέλο που συνδυάζει τεχνικές μηχανικής μάθησης και νευρωνικών δικτύων, ενώ για την αγορά εξισορρόπησης υλοποιείται ένα πιθανοτικό πλαίσιο πρόβλεψης τόσο για την πρόβλεψη της απόκλισης συστήματος όσο και της τιμής αποκλίσεων. Οι προβλέψεις ενσωματώνονται σε ένα μοντέλο Μικτού Ακέραιου Γραμμικού Προγραμματισμού που αναπαριστά τη λειτουργία μίας βιομηχανίας χάλυβα, λαμβάνοντας υπόψη τεχνολογικούς περιορισμούς, αλληλεξαρτήσεις διεργασιών και απαιτήσεις παραγωγής. Μέσω διαφορετικών σεναρίων αξιολογείται η οικονομική αξία της ευελιξίας και η επίδραση της ακρίβειας πρόβλεψης στα οικονομικά αποτελέσματα. Η διατριβή συμβάλλει στη γεφύρωση των πεδίων πρόβλεψης και βελτιστοποίησης, προσφέροντας ένα επεκτάσιμο πλαίσιο λήψης αποφάσεων για τη συμμετοχή βιομηχανικών μονάδων στις αγορές ηλεκτρικής ενέργειας.