Loading...
Publication
Forecasting day-ahead prices in the Iberian electricity market using a multi-agent reinforcement learning system in real-time
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 5.64 MB | Adobe PDF |
Authors
Abstract(s)
The use of renewable energy sources in modern electrical grids introduces significant uncertainty due to the grid’s instant response and unexpected fluctuations in generation. While crucial for sustainability, they require the development of optimized energy operations and designs that are complex and robust. Forecasting generation, consumption, or prices is a crucial aspect of an electrical system, being essential to maximise energy efficiency and support strategic planning for both suppliers and consumers. Therefore, this dissertation presents a multi-agent framework for forecasting daily Portuguese prices in the Iberian market to aid bidding proposals. It employs several forecasting models, ranging from statistical to machine learning. A reinforcement learning (RL) methodology is used to select the most appropriate forecasting model for each moment. Forecasting models and RL methodology were subjected to tuning tests to determine hyperparameters. The methodology was tested using real electricity production data and market prices from Portugal and Spain, between 2022 and 2024.
In the application of the RL methodology, the forecasting models were retrained monthly, and the RL methodology was continuously updated with actual prices and forecasts so that the optimal model was selected in each iteration. The forecasting models included in the dissertation are Ridge Regression, Stochastic Gradient Descent, Random Forest, Extreme Gradient Boosting, Deep Neural Networks, and Long Short-Term Memory. These models were integrated into a multi-agent system that manages requests from different users, making the
system robust and scalable. It comprises a main agent that receives user requests, organises them, and allocates them to various tasks, creating a “Task Agent” for each task. All case studies were conducted to evaluate the proposed solution and improve the efficiency of the RL methodology. The final case study simulates real-world conditions and demonstrated a 10% lower performance compared to the others. It highlighted the importance of daily features that are not available in time for bidding proposals. However, the final case study employed context, based on information from each renewable energy production source, which improves the RL model’s performance by 3%. Overall, results indicated that the RL methodology surpassed individual forecasting models across all case studies, with gains between 4.66% and 35.71%. As the case studies progressed, it was observed that the average difference between predicted and actual market values was 0.56 €/MWh in the non-reality reflecting case study and 6.13 €/MWh in the (near) real-time scenario. It is further concluded that hydro and wind energy are the primary influences on Portuguese energy prices, with solar energy also playing a notable role. In contrast, nuclear energy in Spain has the least impact.
A utilização de fontes de energia renovável nas redes elétricas modernas introduz uma incerteza significativa devido à resposta instantânea da rede e às flutuações inesperadas na geração. Embora cruciais para a sustentabilidade, exigem o desenvolvimento de operações e projetos energéticos otimizados, que sejam complexos e robustos. A previsão de geração, consumo ou preços é um aspeto crucial de um sistema elétrico, sendo essencial para maximizar a eficiência energética e apoiar o planeamento estratégico para fornecedores e consumidores. Assim sendo, esta dissertação apresenta uma estrutura multiagente para a previsão dos preços diários portugueses no mercado ibérico para auxiliar as propostas de concurso. Emprega vários modelos de previsão, que vão desde técnicas estatísticas até à aprendizagem automática. É utilizada uma metodologia de aprendizagem por reforço (AR) para selecionar o modelo de previsão mais apropriado para cada momento. Os modelos de previsão e a metodologia de AR foram submetidos a testes de ajuste para determinar os hiperparâmetros. A metodologia foi testada utilizando dados reais de produção de eletricidade e de preços de mercado de Portugal e Espanha, entre 2022 e 2024. Na aplicação da metodologia AR, os modelos de previsão foram retreinados mensalmente, e a metodologia AR foi continuamente atualizada com os preços reais e previsões, de modo que o modelo ótimo fosse selecionado em cada iteração. Os modelos de previsão incluídos na dissertação são o Ridge Regression, Stochastic Gradient Descent, Random Forest, Extreme Gradient Boosting, Deep Neural Networks, e Long Short-Term Memory. Estes modelos foram integrados num sistema multiagente que gere pedidos de diferentes utilizadores, tornando o sistema robusto e escalável. Compreende um agente principal que recebe os pedidos dos utilizadores, organiza-os e aloca-os a várias tarefas, criando um “Task Agent” por cada tarefa. Todos os casos de estudo foram conduzidos para avaliar a solução proposta e melhorar a eficiência da metodologia AR. O caso de estudo final simula condições do mundo real e demonstrou um desempenho 10% inferior em comparação com os outros. Salientou a importância dos recursos diários que não estão disponíveis a tempo para as propostas de concurso. No entanto, o caso de estudo final empregou contexto, com base em informação de cada fonte de produção de energia renovável, o que melhora o desempenho do modelo AR em 3%. No geral, os resultados indicaram que a metodologia AR superou os modelos de previsão individuais em todos os casos de estudo, com ganhos entre 4,66% e 35,71%. À medida que os casos de estudo foram progredindo, observou-se que a diferença média entre os valores de mercado previstos e reais foi de 0,56 €/MWh no caso de estudo que não reflete a realidade e de 6,13 €/MWh no cenário (quase) em tempo real. Conclui-se ainda que a energia hídrica e eólica são as principais influências nos preços da energia portuguesa, tendo a energia solar também um papel notável. Em contraste, a energia nuclear em Espanha tem o menor impacto.
A utilização de fontes de energia renovável nas redes elétricas modernas introduz uma incerteza significativa devido à resposta instantânea da rede e às flutuações inesperadas na geração. Embora cruciais para a sustentabilidade, exigem o desenvolvimento de operações e projetos energéticos otimizados, que sejam complexos e robustos. A previsão de geração, consumo ou preços é um aspeto crucial de um sistema elétrico, sendo essencial para maximizar a eficiência energética e apoiar o planeamento estratégico para fornecedores e consumidores. Assim sendo, esta dissertação apresenta uma estrutura multiagente para a previsão dos preços diários portugueses no mercado ibérico para auxiliar as propostas de concurso. Emprega vários modelos de previsão, que vão desde técnicas estatísticas até à aprendizagem automática. É utilizada uma metodologia de aprendizagem por reforço (AR) para selecionar o modelo de previsão mais apropriado para cada momento. Os modelos de previsão e a metodologia de AR foram submetidos a testes de ajuste para determinar os hiperparâmetros. A metodologia foi testada utilizando dados reais de produção de eletricidade e de preços de mercado de Portugal e Espanha, entre 2022 e 2024. Na aplicação da metodologia AR, os modelos de previsão foram retreinados mensalmente, e a metodologia AR foi continuamente atualizada com os preços reais e previsões, de modo que o modelo ótimo fosse selecionado em cada iteração. Os modelos de previsão incluídos na dissertação são o Ridge Regression, Stochastic Gradient Descent, Random Forest, Extreme Gradient Boosting, Deep Neural Networks, e Long Short-Term Memory. Estes modelos foram integrados num sistema multiagente que gere pedidos de diferentes utilizadores, tornando o sistema robusto e escalável. Compreende um agente principal que recebe os pedidos dos utilizadores, organiza-os e aloca-os a várias tarefas, criando um “Task Agent” por cada tarefa. Todos os casos de estudo foram conduzidos para avaliar a solução proposta e melhorar a eficiência da metodologia AR. O caso de estudo final simula condições do mundo real e demonstrou um desempenho 10% inferior em comparação com os outros. Salientou a importância dos recursos diários que não estão disponíveis a tempo para as propostas de concurso. No entanto, o caso de estudo final empregou contexto, com base em informação de cada fonte de produção de energia renovável, o que melhora o desempenho do modelo AR em 3%. No geral, os resultados indicaram que a metodologia AR superou os modelos de previsão individuais em todos os casos de estudo, com ganhos entre 4,66% e 35,71%. À medida que os casos de estudo foram progredindo, observou-se que a diferença média entre os valores de mercado previstos e reais foi de 0,56 €/MWh no caso de estudo que não reflete a realidade e de 6,13 €/MWh no cenário (quase) em tempo real. Conclui-se ainda que a energia hídrica e eólica são as principais influências nos preços da energia portuguesa, tendo a energia solar também um papel notável. Em contraste, a energia nuclear em Espanha tem o menor impacto.
Description
Keywords
day-ahead market iberian electricity market forecast machine learning market-clearing price multi-agent systems reinforcement learning statistical models Aprendizagem automática Aprendizagem por reforço Mercado diário Mercado ibérico de eletricidade Modelos estatísticos Preço de equilíbrio de mercado Previsão Sistemas multiagentes