Probabilistic multi-market electricity price forecasting using attention enhanced CNN-LSTM with a Bayesian head

Abstract

Growing renewable energy integration has increased price volatility in Nordic electricity markets, necessitating robust risk management for battery energy storage systems (BESS). This study develops and evaluates a probabilistic multi-market electricity price forecasting (EPF) framework to quantify predictive uncertainty across the Day-ahead (DA) and Frequency Containment Reserve (FCR) markets. The proposed architecture integrates an Attention Enhanced CNN-LSTM network with a Bayesian Head (Att-CNN-LSTM-BH), designed to extract spatio-temporal market features while also capturing both aleatoric and epistemic uncertainty. The model is benchmarked across a 3-day forecasting horizon against a zero-shot foundational time-series model (TimesFM), Gaussian Process (GP) Regression, and two simpler baseline Bayesian models. Empirical results demonstrate that the Bayesian models provide superior probabilistic reliability in the DA and FCR-D Up markets, generating highly calibrated prediction intervals and achieving the lowest Winkler scores. Feature analysis confirms the model dynamically adapts to market-specific physics and cross-market dependencies. However, foundational models often yield sharper deterministic point predictions, and deep learning architectures struggle in sparse, low-volume environments (like FCR-D Down), where GP regression excels. Ultimately, while Bayesian models may underestimate extreme price spikes, their rigorous uncertainty quantification remains essential for risk-averse energy trading.

Uusiutuvan energian osuuden kasvu on lisännyt hintavolatiliteettia Pohjoismaisilla sähkömarkkinoilla, mikä edellyttää akkuenergiavarastojärjestelmiltä (BESS) vankkaa riskienhallintaa. Tässä työssä kehitetään todennäköisyyspohjainen sähkön hinnan ennustamisen (EPF) viitekehys, jolla kvantifioidaan ennusteiden epävarmuutta vuorokausimarkkinoilla (Day-ahead) ja taajuudenhallintareservien (FCR) markkinoilla. Ehdotettu arkkitehtuuri yhdistää tarkkaavaisuusmekanismilla tehostetun CNN-LSTM-verkon ja Bayes-pohjaisen ulostulokerroksen. Mallia vertaillaan kolmen vuorokauden ennustehorisontissa TimesFM-perustusmalliin, GP-regressioon sekä kahteen Bayes-perustaiseen vertailumalliin. Tulokset osoittavat, että bayesilaiset mallit tarjoavat ylivertaisen todennäköisyyspohjaisen luotettavuuden vuorokausi- ja FCR-D Up -markkinoilla tuottaen erittäin tarkasti kalibroituja ennustevälejä. Muuttuja-analyysi vahvistaa mallin mukautuvan dynaamisesti markkinoiden fysiikkaan ja keskinäisiin riippuvuuksiin. Perustusmallit tuottavat kuitenkin usein tarkempia deterministisiä piste-ennusteita, ja syväoppimisarkkitehtuurit kohtaavat haasteita pienen volyymin ympäristöissä (kuten FCR-D Down), joissa GP-regressio menestyy. Vaikka bayesilaiset mallit saattavat aliarvioida äärimmäisiä hintapiikkejä, niiden tuottama tarkka epävarmuuden kvantifiointi on välttämätöntä riskejä välttelevässä energiakaupassa.