Analisi della Correlazione tra la Previsione Eolica e lo Sbilanciamento Macrozonale nel Mercato Elettrico Italiano: Stima del Segno di Sbilanciamento tramite Reti Neurali

Abstract

La tesi ha come oggetto lo studio della correlazione tra il gradino di riprevisione sugli impianti eolici di proprietà ERG POWER GENERATION S.p.A. e lo sbilanciamento aggregato macrozonale per la macrozona di mercato SUD, nel contesto del mercato elettrico italiano. Per gradino di riprevisione si intende la differenza tra l'ultima previsione di produzione eolica e la stessa delle 10 del giorno prima per una data Market Time Unit (MTU), ovvero uno specifico periodo temporale (ora o quarto d'ora), per cui si possono fare offerte di acquisto/vendita di energia. Questo tipo di informazione viene fornita per ogni impianto eolico di proprietà dell'azienda. Lo sbilanciamento aggregato macrozonale è la quantità di energia in MWh in eccesso o in difetto, prodotta nella macrozona di mercato per ogni MTU. Segue la formazione di un segno di sbilanciamento, rispettivamente + o -. La trattazione cerca di trovare relazioni tra le due quantità con l'obiettivo di aumentare il margine di contribuzione della società. Dopo i primi due capitoli introduttivi sulla struttura e funzionamento del mercato elettrico italiano e sulla definizione dello sbilanciamento macrozonale, inizia la vera e propria analisi oggetto della tesi. In un primo momento, ho considerato gli impianti eolici come unità a sé stanti, per poi raggrupparle tramite l'utilizzo della PCA e metodi di clustering, quali il K-Means ed il clustering gerarchico nella versione di Ward. Segue un'analisi più complessa che introduce la variabile tempo come possibile fattore di influenza nella clusterizzazione trovata classicamente: introduco i concetti di trasformata wavelet e Wavelet-Coherence. Infine, dopo una breve analisi sull'influenza della produzione eolica degli impianti studiati sull'intera macrozona SUD, considero algoritmi di Machine Learning, con particolare focus su reti neurali ricorrenti di tipo Long-Short-Term Memory (LSTM). L'obiettivo è una corretta previsione del segno di sbilanciamento macrozonale.

The thesis focuses on studying the correlation between the reforecast step of wind farms owned by ERG POWER GENERATION S.p.A. and the aggregate macrozonal imbalance for the SOUTH market macrozone, within the context of the Italian electricity market. A reforecast step refers to the difference between the latest wind power production forecast and the forecast from 10 AM on the previous day for a given Market Time Unit (MTU). A MTU is a specific time period (an hour or a quarter-hour) during which energy can be bought or sold. This information is provided for each of the company's wind farms. The aggregate macrozonal imbalance is the quantity of energy in MWh, either in surplus or deficit, produced within the market macrozone for each MTU. This results in a positive (+) or negative (-) imbalance sign. The work aims to find relationships between these two quantities to increase the company's contribution margin. After the first two introductory chapters on the structure and operation of the Italian electricity market and the definition of macrozonal imbalance, the core analysis of the thesis begins. Initially, i considered the wind farms as standalone units, then I grouped them using PCA and clustering methods, such as K-Means and Ward's hierarchical clustering. A more complex analysis follows, which introduces the time variable as a possible influencing factor in the clustering found through classical methods. I introduce the concepts of wavelet transform and Wavelet-Coherence. Finally, after a brief analysis of the influence of the studied wind farms' production on the entire SOUTH macrozone, i discuss Machine Learning algorithms, with a specific focus on Long-Short-Term Memory (LSTM) recurrent neural networks. The objective is to accurately predict the sign of the macrozonal imbalance.