Forecasting short-term valuation of regional hydropower generation with machine learning

Thumbnail Image

URL

Journal Title

Journal ISSN

Volume Title

Sähkötekniikan korkeakoulu | Master's thesis

Authors

Date

2022-03-21

Department

Major/Subject

Sustainable Energy Systems and Markets

Mcode

ELEC3048

Degree programme

Master's Programme in Advanced Energy Solutions

Language

en

Pages

68+4

Series

Abstract

Electricity price forecasts are important to companies operating in a deregulated market, as market participants need to optimize their production and consumption in order to maximize profitability. The key to forecasting electricity prices lies in understanding the market and the underlying fundamentals. The Nordic power market is dominated by hydropower and realizing the key characteristics of hydropower planning and the weather driven dependencies creates the basis for forecasting Nordic electricity prices. The objectives of this thesis are to (1) analyse the fundamental drivers in the Nordic power market, (2) compare the predictive performance of different computational models in hydropower and spot price forecasting and (3) develop a method for extracting the supply functions of regional hydropower production on a daily resolution. The areas of interest are Norway, Sweden and Finland. Literature review on the Nordic power markets, hydropower planning and related machine learning studies provide the theoretical background for the thesis. Based on the research, different models are trained on available market data and their predictive performance is compared in the different areas. A novel supply curve estimation function is introduced to create hydropower valuation forecasts based on the machine learning results, which are validated in a market equilibrium market models. Computational models have the ability to learn dependencies from complex datasets from the Nordic electricity system and markets. Sufficient forecast accuracies are achieved to be used as support in short-term production planning. It can be concluded that the intelligent computational models can be powerful tools in electricity market forecasting applications.

Vapailla sähkömarkkinoilla toimijoiden tulee pystyä ennakoimaan muutoksia sähkön hinnassa tuotannonsuunnittelun optimoimiseksi ja kannattavuuden maksimoimiseksi. Hinnan ennustamisen perusta muodostuu markkinafundamenttien ymmärtämisestä. Pohjoismaissa vesivoimalla tuotetaan valtaosa sähköstä, joten veden käytön suunnittelun ja sääriippuvuuksien ymmärtäminen luovat pohjan pohjoismaisen sähkön hinnan ennustamiseen. Tämän diplomityön tavoitteena on (1) analysoida tärkeimpiä hinta-ajureita pohjoismaisilla sähkömarkkinoilla, (2) vertailla erilaisten koneoppimismallien kykyä ennustaa vesivoiman tuotantoa ja sähkön aluehintoja, sekä (3) kehittää tapa alueellisen vesivoiman tarjontahintojen määrittämiseen päivätasolla. Ennusteiden kohdealueita ovat Norja, Ruotsi ja Suomi. Teoreettinen pohjatieto luodaan kirjallisuuskatsauksella sähkömarkkinoihin, vesivoiman suunnitteluun sekä aiheeseen liittyviin koneoppimistutkimuksiin. Tämän pohjalta koulutetaan erilaisia malleja saatavilla olevalla markkinadatalla, ja saatujen tulosten ennustetarkkuuksia vertaillaan eri hinta-alueilla. Ennusteista luodaan vesivoiman tarjontakäyriä työssä esitellyn algoritmin avulla, jotka validoidaan pohjoismaat ja Baltian kattavalla sähkömarkkinamalilla. Koneoppimismallit kykenevät oppimaan monimutkaisia riippuvuuksia pohjoismaisesta sähkömarkkinadatasta. Työssä saavutetaan päteviä ennustetarkkuuksia lyhyen aikavälin hintaennusteiden luomiseen. Yhteenvetona voidaan todeta, että älykkäillä malleilla on oma asemansa sähkömarkkinoiden ilmiöiden ennustamisessa ja strategisessa päätöksenteossa.

Description

Supervisor

Syri, Sanna

Thesis advisor

Kinnunen, Matias

Keywords

Nordic electricity market, hydropower, short-term, forecasting, machine learning

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202203272587

Collections

[dipl] Sähkötekniikan korkeakoulu / ELEC