Con l'introduzione del decreto Bersani nel 1999, il mercato elettrico italiano è andato incontro ad un graduale processo di liberalizzazione che lo ha portato a diventare un sistema ancora più intricato e complesso. Gli operatori devono tenere in considerazione vari aspetti, come i minimi requisiti, i limiti di trasmissione e il comportamento degli altri partecipanti al fine di massimizzare i profitti e minimizzare i costi. Di conseguenza, ciascuna Unità Produttiva mira a definire la propria strategia d'offerta, ossia la combinazione ottimale di quantità e prezzo per la compravendita di energia. Questo progetto si propone di identificare tale strategia ottimale per una specifica tipologia di Unità Produttiva e in particolare in questa tesi il focus sarà sulla stima delle probabilità di accettazione nei mercati di riferimento. Prima di affrontare il problema, nel Capitolo 1 viene presentata una breve descrizione del mercato elettrico italiano con particolare attenzione ai mercati inclusi nella nostra analisi, come il Mercato del Giorno Prima (MGP), il Mercato per il Servizio di Dispacciamento, ulteriormente suddiviso nel Mercato del Bilanciamento (MB) e il mercato ex-ante MSD, e la Riserva Secondaria (RS). Nel capitolo 2, invece, viene definita la formulazione matematica del problema di ottimizzazione. Questo rientra nella categoria di MINLP (Mixed-Integer Nonlinear Programming); tuttavia, grazie ad alcune riformulazioni dei vincoli, è stato possibile riscriverlo come quattro problemi non lineari (NLP). In seguito, nel Capitolo 3, viene descritta la scelta delle variabili da includere nei modelli e la creazione dei dataset finali per addestrare e validare le stime di probabilità. Il metodo di riferimento adottato è stato la regressione logistica, con l'aggiunta degli alberi decisionali utilizzati a fini comparativi. Un'introduzione teorica e una spiegazione esaustiva dei modelli considerati è riportata nei Capitoli 4, 5 e 6. In conclusione, nel Capitolo 7, vengono presentate le stime finali delle probabilità di accettazione per ciascun mercato, insieme ai risultati ottenuti mediante l'integrazione di tali modelli nell'ottimizzatore.
The Italian electricity market was subjected to a gradual shift towards liberalization with the introduction of the Bersani decree in 1999, transforming into a more intricate and complex system. Participants must devise effective strategies to maximize profits and minimize risks, considering factors such as minimum requirements, transmission limits and the behaviour of others. As a result, the primary objective for each Production Unit is to establish its bidding strategy, which is defined as the optimal quantity and price pairs for energy transactions based on the available but limited information. The primary aim of this project is to determine the optimal bidding strategy for a specific type of Production Unit and, in this thesis, particular emphasis is placed on the estimation of the acceptance probability for each of these markets. Before delving into the problem, in Chapter 1 it is presented a short description of the Italian electricity market with specific focus on the markets considered in our formulation, such as the Day-Ahead Market (MGP), the Dispatching Service Market (MSD), further decomposed in the Balancing Market (MB) and the MSD ex-ante market, and the Secondary Reserve (RS). Chapter 2 proceeds to delineate the mathematical formulation of the optimization problem, which is defined as a MINLP (Mixed-Integer Nonlinear Programming). However, employing certain reformulations, it becomes feasible to reshape it into four NLP (Nonlinear Programming) problems, significantly simplifying the solution process. Furthermore, in Chapter 3, the discussion revolves around the selection of variables and the creation of comprehensive datasets used to train and test the probability models. Logistic regression serves as the primary method for this analysis, but tree-based models are also incorporated as comparison. Chapters 4, 5, and 6 offer a theorical introduction and a comprehensive explanation of the models considered. In conclusion, Chapter 7 presents the final models for the acceptance probability for each market and details the results obtained by integrating these models into the optimizer.
Il mercato elettrico italiano: analisi mediante machine learning delle probabilità di accettazione
VEDOVATI, EMMA
2022/2023
Abstract
Con l'introduzione del decreto Bersani nel 1999, il mercato elettrico italiano è andato incontro ad un graduale processo di liberalizzazione che lo ha portato a diventare un sistema ancora più intricato e complesso. Gli operatori devono tenere in considerazione vari aspetti, come i minimi requisiti, i limiti di trasmissione e il comportamento degli altri partecipanti al fine di massimizzare i profitti e minimizzare i costi. Di conseguenza, ciascuna Unità Produttiva mira a definire la propria strategia d'offerta, ossia la combinazione ottimale di quantità e prezzo per la compravendita di energia. Questo progetto si propone di identificare tale strategia ottimale per una specifica tipologia di Unità Produttiva e in particolare in questa tesi il focus sarà sulla stima delle probabilità di accettazione nei mercati di riferimento. Prima di affrontare il problema, nel Capitolo 1 viene presentata una breve descrizione del mercato elettrico italiano con particolare attenzione ai mercati inclusi nella nostra analisi, come il Mercato del Giorno Prima (MGP), il Mercato per il Servizio di Dispacciamento, ulteriormente suddiviso nel Mercato del Bilanciamento (MB) e il mercato ex-ante MSD, e la Riserva Secondaria (RS). Nel capitolo 2, invece, viene definita la formulazione matematica del problema di ottimizzazione. Questo rientra nella categoria di MINLP (Mixed-Integer Nonlinear Programming); tuttavia, grazie ad alcune riformulazioni dei vincoli, è stato possibile riscriverlo come quattro problemi non lineari (NLP). In seguito, nel Capitolo 3, viene descritta la scelta delle variabili da includere nei modelli e la creazione dei dataset finali per addestrare e validare le stime di probabilità. Il metodo di riferimento adottato è stato la regressione logistica, con l'aggiunta degli alberi decisionali utilizzati a fini comparativi. Un'introduzione teorica e una spiegazione esaustiva dei modelli considerati è riportata nei Capitoli 4, 5 e 6. In conclusione, nel Capitolo 7, vengono presentate le stime finali delle probabilità di accettazione per ciascun mercato, insieme ai risultati ottenuti mediante l'integrazione di tali modelli nell'ottimizzatore.È consentito all'utente scaricare e condividere i documenti disponibili a testo pieno in UNITESI UNIPV nel rispetto della licenza Creative Commons del tipo CC BY NC ND.
Per contatti: unitesi@unipv.it
https://hdl.handle.net/20.500.14239/16997