Forecasting Nord Pool’s Day-ahead hourly spot prices in Finland
Korpihalkola, Joni (2019)
Korpihalkola, Joni
2019
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2019053113657
https://urn.fi/URN:NBN:fi:amk-2019053113657
Tiivistelmä
The liberalization of electricity markets has launched an interest in forecasting future prices and developing models on how the prices will develop. Improvements in compu-ting capabilities have allowed machine learning models and neural networks to be trained faster. The growing amount of open data and access to open APIs improves the perfor-mance of neural networks.
The goal of the research was to create a forecasting model that would predict Spot prices in Nord Pool’s Day-ahead market in Finland with open-source software. An analysis of Spot price drivers was conducted, and a dataset with multiple different features ranging from weather data to production plans was constructed. Different statistical models gen-erated forecasts from Spot price history and machine learning models were trained on the constructed dataset. The forecasts were compared to a baseline model using three different error metrics.
The result was an ensemble of statistical and machine learning models, where the mod-els’ forecasts were combined and given weights by a neural network acting as a met-alearner. The model is able to forecast the trend and seasonality of Spot prices but una-ble to predict sudden price spikes.
The research goal was achieved; however further feature engineering and neural net-work optimization could improve the model accuracy and produce better forecasts. Sähkömarkkinoiden avautuminen kilpailulle on synnyttänyt kiinnostusta tulevien hintojen ennustamiseen sekä mallien luomiseen, joiden avulla ennustettaisiin hinnan kehitystä. Tietokoneiden laskentatehon kasvu on mahdollistanut koneoppimisen mallien ja neuroverkkojen kouluttamisen nopeassa ajassa. Avoimen datan lisääntyminen ja API-rajapintojen avautuminen nostaa saatavan datan määrää, mikä parantaa neuroverkkojen suorituskykyä.
Tutkimuksen tavoitteena oli luoda ennustava malli, joka ennustaisi avoimen lähdekoodin ohjelmistoilla Nord Pool -sähköpörssissä Suomen tulevia Spot-hintoja. Spot-hintaan vaikuttavia ominaisuuksia etsittiin data-analyysin metodeilla. Löydettyjen ominaisuuksien avulla luotiin datajoukko, jossa ominaisuudet vaihtelevat säätiedoista sähkön tuotantosuunnitelmiin. Erilaiset tilastolliset mallit loivat ennustuksia Spot-hinnan historian perusteella ja koneoppimisen mallit koulutettiin luodulla datajoukolla. Ennustuksia verrattiin yksinkertaisen mallin ennustuksiin käyttäen kolmea eri virhemittaria.
Tuloksena oli kokoelma tilastollisia ja koneoppimisen malleja, joiden ennustuksille määritettiin painoarvot erillisellä neuroverkolla. Painoarvotetuilla ennustuksilla muodostettiin yhdistetty ennustus. Kokoelma pystyy ennustamaan Spot-hintojen trendin ja kausivaihtelun, mutta mallit eivät osaa ennakoida äkkinäisiä hintapiikkejä.
Tavoite saavutettiin, mutta laajempi ominaisuuksien suunnittelu ja neuroverkon optimisointi nostaisi mallin tarkkuutta ja muodostaisi parempia ennustuksia.
The goal of the research was to create a forecasting model that would predict Spot prices in Nord Pool’s Day-ahead market in Finland with open-source software. An analysis of Spot price drivers was conducted, and a dataset with multiple different features ranging from weather data to production plans was constructed. Different statistical models gen-erated forecasts from Spot price history and machine learning models were trained on the constructed dataset. The forecasts were compared to a baseline model using three different error metrics.
The result was an ensemble of statistical and machine learning models, where the mod-els’ forecasts were combined and given weights by a neural network acting as a met-alearner. The model is able to forecast the trend and seasonality of Spot prices but una-ble to predict sudden price spikes.
The research goal was achieved; however further feature engineering and neural net-work optimization could improve the model accuracy and produce better forecasts.
Tutkimuksen tavoitteena oli luoda ennustava malli, joka ennustaisi avoimen lähdekoodin ohjelmistoilla Nord Pool -sähköpörssissä Suomen tulevia Spot-hintoja. Spot-hintaan vaikuttavia ominaisuuksia etsittiin data-analyysin metodeilla. Löydettyjen ominaisuuksien avulla luotiin datajoukko, jossa ominaisuudet vaihtelevat säätiedoista sähkön tuotantosuunnitelmiin. Erilaiset tilastolliset mallit loivat ennustuksia Spot-hinnan historian perusteella ja koneoppimisen mallit koulutettiin luodulla datajoukolla. Ennustuksia verrattiin yksinkertaisen mallin ennustuksiin käyttäen kolmea eri virhemittaria.
Tuloksena oli kokoelma tilastollisia ja koneoppimisen malleja, joiden ennustuksille määritettiin painoarvot erillisellä neuroverkolla. Painoarvotetuilla ennustuksilla muodostettiin yhdistetty ennustus. Kokoelma pystyy ennustamaan Spot-hintojen trendin ja kausivaihtelun, mutta mallit eivät osaa ennakoida äkkinäisiä hintapiikkejä.
Tavoite saavutettiin, mutta laajempi ominaisuuksien suunnittelu ja neuroverkon optimisointi nostaisi mallin tarkkuutta ja muodostaisi parempia ennustuksia.