Ottimizzazione della programmazione dell'energia idroelettrica nei mercati elettrici competitivi attraverso l'apprendimento approfondito

Abstract

La domanda globale di energia è in rapida crescita, il che porta a una maggiore attenzione alle fonti di energia rinnovabile. L'energia idroelettrica è parte integrante del settore globale delle energie rinnovabili, che offre affidabilità, flessibilità e capacità di stoccaggio nella produzione di energia. Tuttavia, con la crescente concorrenza di mercato e l'integrazione di fonti energetiche rinnovabili variabili, l'ottimizzazione della programmazione dell'energia idroelettrica è diventata una sfida complessa. Le tecniche di programmazione tradizionali soffrono di inefficienze computazionali, rendendole meno reattive alle condizioni di mercato in tempo reale. In questa ricerca, utilizziamo l'applicazione di modelli di apprendimento automatico, tra cui reti neurali ricorrenti (RNN) e reti a memoria a lungo e breve termine (LSTM), per prevedere meglio l'afflusso, i prezzi dell'elettricità, la produzione e la domanda. I risultati indicano che il modello LSTM è migliore nel prevedere le tendenze a lungo termine e i cambiamenti stagionali, il che porta a previsioni più accurate e richiede meno tempo di calcolo, sulla base della valutazione di diverse metriche di prestazione come NSE, MAE, MSE, RMSE e MAPE. Questi risultati supportano l'integrazione di metodi avanzati di apprendimento automatico per una gestione dell'energia idroelettrica più economica ed efficiente dal punto di vista operativo nei mercati elettrici competitivi.

Global energy demand is growing rapidly. This leading to a greater focus on renewable energy sources. Hydropower is an integral part of the global renewable energy sector, which provides reliability, flexibility and storage capability in power generation. However, with growing market competition and the integration of variable renewable energy sources, optimizing hydropower scheduling has become a complex challenge. Traditional scheduling techniques suffer from computational inefficiencies, making them less responsive to real-time market conditions. In this research, we are using the application of machine learning models, including recurrent neural networks (RNN) and long-short-term memory (LSTM) networks, to better predict inflow, electricity prices, production and demand. The results indicate that the LSTM model is better at predicting for long-term trends and seasonal changes, which leads to more accurate forecasts and takes less time to calculate, based on the evaluation of various performance metrics such as NSE, MAE, MSE, RMSE and MAPE. These results support the integration of advanced machine learning methods for more economical and operationally efficient hydropower management in competitive electricity markets.