Predicting imbalance power price

Abstract

The electricity market is a complex multi-layer system that is designed to balance power consumption and production at every single moment. This thesis focuses on the lowest level of the Finnish electricity market called the reserve and more precisely on its imbalance power. The objective was to utilize a machine learning method that accurately predicts the price of the imbalance power in the short term. The method was chosen based on the literature review of recent neural network studies. Several different model settings and hyperparameters were experimented with and the method was compared with a traditional time series model with exogenous variables representing both the electricity market itself, as well as weather. The machine learning method performed better than the traditional method. The results showed that even though the chosen machine learning approach resulted in errors smaller than the benchmark approach, none of the models was able to predict the imbalance power price accurately. The inaccurate predictions may have been a result of missing relevant exogenous factors or the modeled phenomenon being too stochastic.

Sähkömarkkina on monimutkainen ja -kerroksinen järjestelmä, joka on suunniteltu jatkuvasti tasapainottamaan energiankulutus ja -tuotanto. Tämä diplomityö keskittyy suomalaisen sähkömarkkinan alimpaan kerrokseen eli reserviin ja erityisesti kulutustasesähköön. Tavoitteena oli ottaa käyttöön koneoppiva menetelmä, jolla voidaan ennustaa tarkasti kulutustasesähkön hintaa lyhyellä aikavälillä. Käytetty menetelmä valittiin viimeaikaisiin neuroverkkotutkimuksiin keskittyvän kirjallisuuskatsauksen perusteella. Useita erilaisia mallien asetuksia ja hyperparametreja tutkittiin. Menetelmää verrattiin perinteiseen aikasarjamalliin. Monia eri sähkömarkkinoiden ja sään muuttujia käytettiin mallien ulkoisina muuttujina. Koneoppiva menetelmä suoriutui paremmin kuin perinteinen menetelmä. Tulokset osoittavat, että vaikka valittu koneoppiva menetelmä johti pienempiin virhearvoihin kuin perinteinen menetelmä, mikään malleista ei pystynyt ennustamaan kulutustasesähkön hintaa tarkasti. Epätarkat ennustukset saattoivat johtua puuttuvista relevanteista ulkoisista muuttujista tai hinnan käyttäytymisen satunnaisuudesta.