Säätösähköhinnan ennustaminen Suomen hinta-alueella
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Master's thesis
Authors
Date
2021-08-23
Department
Major/Subject
Sustainable Energy Systems and Markets
Mcode
ELEC3048
Degree programme
Master's Programme in Advanced Energy Solutions
Language
fi
Pages
104
Series
Abstract
Pohjoismaisilla sähkömarkkinoilla kantaverkkoyhtiöt ylläpitävät säätösähkö-markkinoita, mistä aktivoidaan säätötarjouksia tarkoituksena palauttaa sähköverkon taajuus takaisin 50 Hz:n nimellisarvoon. Säätösähkömarkkinoilta syntyy säätötarjouksien aktivoinnin perusteella säätöhinta jokaiselle käyttötunnille, minkä perusteella tasevastaavat myyvät tai ostavat tasesähköä kantaverkkoyhtiöltä. Tämän työn tarkoituksena on selvittää, mitkä tekijät sähkömarkkinoilla vaikuttavat säätösähköhinnan muodostumiseen ja rakentaa koneoppimismalli tarkoituksena ennustaa säätöhintaa ja säätösuuntaa. Markkinatoimijoiden tasevirheistä johtuen kantaverkkoyhtiöt joutuvat aktivoimaan säätötarjouksia. Ennen vuorokausimarkkinaa on hyvin vaikea ennustaa tarkasti säätösuuntaa. Vuorokausimarkkinoilta käyttötunnille muodostuu markkinatoimijoille tasevirheitä, mitkä johtuvat säätilan ja kulutuskäyttäytymisen muutoksista. Ennusteiden ja toteumien erotus kuvaa osittain säätöjen suunnan todennäköisyyttä. Sähköverkon taajuuden reaaliaikainen seuranta voi antaa myös indikaatiota tulevista säädöistä. Säätöhintoihin vaikuttavista tekijöistä tunnistetaan muuttujia, jotka kohottavat riskiä erityisesti ylössäätöihin. Ylössäätöshinnan kohonnutta riskiä selittävät esimerkiksi kulutushuiput, lämpötilat kovilla pakkasilla ja helteillä sekä vesivoiman korkea tuotantotaso. Näinä hetkinä on Suomi herkemmin omana hinta-alueenaan ja saatavilla olevien ylössäätötarjousten volyymi vähenee, jolloin ylössäätöhintojen riski kasvaa. Rakennettu XGBoost -koneoppimismalli pystyy ennustamaan säätöhintoja ja -suuntia paremmin kuin viimeisin julkinen säätöhinta tai pelkkä arvaus. Mallin ennustetarkkuus alkaa heikentyä merkittävästi käyttötunnista seuraaville tunneille, kun malli joutuu käyttämään selittävien muuttujien edellisten tuntien arvoja. Malli pystyy ennustamaan käyttötuntia seuraavalle tunnille säätösuunnan ylössäädöksi, spot-hinnaksi tai alassäädöksi 65 % tarkkuudella, kun säätöhintapoikkeamista rajataan pienimmät arvot pois.In the Nordic electricity market, the transmission system operator maintains the balancing electricity market, which activates balancing energy bids to maintain the frequency of the electric power network at its nominal value of 50 Hz. Based on the activation of balancing energy bids, the balancing electricity market generates a balancing energy price for all balance responsible parties. Balance responsible parties sell or buy balance electricity from the transmission system operator. The aim of this thesis is to define which factors in the electricity market affect the formation of the balancing electricity price and build a machine learning model to predict the balancing energy price and the balancing direction. Due to imbalances by market participants, transmission system operators must activate balancing energy bids. Prior to the day-ahead market, it is difficult to accurately forecast the direction of balancing energy. From the day-ahead market to the operating hour, imbalances develop for market participants, which are caused by changes in the weather and consumption behaviour. The difference between the forecasts and the realizations partly describes the probability of the direction of the adjustments. Real-time frequency monitoring of the electric power network can also provide an indication of future adjustments. Among the factors influencing balancing prices, such variables are identified that raise the risk of up regulations. Consumption peaks, temperatures in severe frost and heat, and high hydropower production explain the increased risks of up regulation and price increase. At these moments, Finland is more prone to act in its own price area and the volume of up regulation bids available decreases, and the risk of up regulation prices increases. The XGBoost machine learning model generated in this thesis is able to predict the balancing energy prices and directions better than the latest public balancing energy price or mere guess. The prediction accuracy of the model begins to decline significantly from one hour of operation to the next hours, when the model has to use the values of the previous hours of the descriptive variables. The model can predict an up regulation, spot price or down regulation with 65% accuracy for the hour following the operating hour, when the smallest values are excluded from the balancing energy price deviations.Description
Supervisor
Lehtonen, MattiThesis advisor
Valkonen, SusannaKeywords
säätösähkömarkkinat, ylössäätö, alassäätö, Koneoppiminen