Definizione di strategie di ottimizzazione nel mercato spot day-ahead/intraday con previsione del segno di sbilanciamento orario e PUN nel mercato elettrico italiano

The energy industry and electricity market have been managed as a natural monopoly since the end of Second World War, given their critical importance for national economy and growth. The deregulation process started in Europe in 1997 as a natural consequence of a fast paced evolution of this market and the need to smooth and overcome several blocks and inefficiencies The development of technologies, consumption, generation mix and transmission brought drastic changes to the regulation and ownership of the energy industry, as well as the high competitiveness among different players. The last two decades, the European Energy markets have profoundly changed and adapted to new needs and situations, harmonizing the market making process between neighboring countries (market coupling), introducing new technologies and product within distribution, transmission and trading platforms like financial deals to cope with risk exposure, volatility of price and the instability of demand. The aim of this work is to show how machine learning algorithms can come into help when managing the complexity of a typical physical asset on the Italian energy market. After a brief introduction on the Italian energy market and its functioning, this work will focus especially on the development of a few models aimed at forecasting the energy unbalancing signs, on the national grid, asset consumption demand and hourly spot price for the day ahead, eventually suggesting and implementing the best buy-bidding strategy on the Italian day ahead and intraday spot market.

L'industria energetica ed i mercati elettrici hanno rappresentato un monopolio dalla fine della seconda guerra mondiale, data la loro importanza strategica per l’economia del singolo paese e la sua relativa crescita. Il processo di deregolazione della struttura dei mercati elettrici ebbe inizio in Europa nel 1997 in risposta alla rapida evoluzione di questi mercati e l’esigenza di migliorare alcune inefficienze ormai consolidate. Lo sviluppo di tecnologie, l’aumento dei consumi, della composizione generativa, della trasmissione e l’accesa competizione fra diversi attori del mercato hanno imposto drastici cambiamenti sia negli aspetti regolatori sia nella gestione dell’industria energetica nazionale. Le ultime due decadi hanno visto i mercati energetici Europei cambiare radicalmente e adattarsi a nuove situazioni e necessità, armonizzando i processi di formazione dei prezzi di mercati fra nazioni confinanti (market coupling o accoppiamento del mercato), aprendosi a nuove tecnologie e prodotti per la distribuzione, trasmissione e vendita come piattaforme di contrattazione per transazioni finanziarie necessari a mitigare il rischio di volatilità dei prezzi e instabilità della domanda. L’obiettivo di questa tesi è di mostrare come alcune tecniche di machine learning possono risultare utili quando si è chiamati a gestire la complessità di un tipico asset fisico sul mercato elettrico italiano. Dopo una breve introduzione al mercato elettrico italiano ed al suo funzionamento, si entrerà nel dettaglio e sviluppo di alcuni modelli utilizzati per la previsione dei segni di sbilanciamento macro zonale, della previsione del consumo orario dell’asset stesso ed una stima orari del prezzo del giorno dopo. Una volta definiti questi modelli previsionali, si proporrà ed implementerà la miglior strategia di approvvigionamento sul mercato spot del giorno prima e infragiornalieri, mostrando come queste tecniche di intelligenza artificiale possano condurre a risultati decisamente migliorativi rispetto alle classiche tecniche econometriche.