Strategic energy management: Optimizing day-ahead SPOT and reserve market allocation of Finnish wind and solar power using predictive analytics

Abstract

The aim of this thesis is to aid Puhuri Oy in their electricity market bidding strategy by locating general strategic guidelines for capacity allocation. To this end, patterns in optimal multi-market trading of day-ahead SPOT and restoration reserve markets are investigated applying an XGBoost machine learning approach. Trends located through SHAP analysis were tested in a market participation model to evaluate their feasibility when applied on renewable power production. The forecasted renewable power production and their share of predicted consumption showed the largest impact on anticipated reserve market profitability. Additionally, features such as the hour of day, nuclear power production and past market prices were observed to be impactful. Compared to an optimized static multi-market strategy, these trends resulted in 4.4% and 44% improvements of profits and captured economic profits respectively.

Diplomityön tavoitteena on tukea Puhurin Oy sähkömarkkinatarjousstrategiaa löytämällä yleisiä strategisia suuntaviivoja kapasiteetin allokointiin. Tätä varten tutkitaan optimaalisen monimarkkinakaupan malleja Day-ahead SPOT- ja reservimarkkinoilla hyödyntäen XGBoost-koneoppimismenetelmää. SHAP-analyysin avulla tunnistetut trendit testattiin markkinaosallistumismallissa arvioidaksemme niiden toteuttamiskelpoisuutta uusiutuvan sähköntuotannon yhteydessä. Ennustettu uusiutuvan sähköntuotannon määrä ja sen osuus ennustetusta kulutuksesta osoittautuivat merkittävimmiksi reservimarkkinoiden kannattavuuteen vaikuttaviksi tekijöiksi. Lisäksi havainnoitiin, että kellonaika, ydinvoimatuotanto sekä aiemmat markkinahinnat vaikuttavat kannattavuuteen. Verrattuna optimoituun staattiseen monimarkkinastrategiaan nämä trendit paransivat voittoja 4,4 % ja taloudellisesti hyödynnettyä voittoa 44 %.

Syftet med detta examensarbete är att stöda Puhuri Oy i deras budstrategi på elmarknaden genom att identifiera allmänna strategiska riktlinjer för kapacitetsallokering. För detta ändamål undersöks mönster i optimal handel på flera marknader inklusive dagen före SPOT och återställningsreservmarknader med hjälp av en maskininlärningsmetod baserad på XGBoost. Trender som identifierats genom SHAP-analys testades i en modell för marknadsdeltagande för att utvärdera deras genomförbarhet vid tillämpning på förnybar elproduktion. Den prognostiserade förnybara produktionen och dess andel av den förväntade konsumtionen visade sig ha störst inverkan på antagna lönsamhet i reservmarknaderna. Även egenskaper som tid på dygnet, kärnkraftsproduktion och historiska marknadspriser hade betydande påverkan. Jämfört med en optimerad statisk multimarknadsstrategi ledde dessa trender till en ökning av vinsten med 4,4 % och en 44 % förbättring av de ekonomiskt fångade vinsterna.