aalto1 untyped-item.component.html
Short-term forecasting in intraday electricity markets using machine learning models
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
SCI3029
Degree programme
Language
en
Pages
28+1
Series
Abstract
The growing integration of renewable energy sources, such as wind and solar, has increased the importance of accurate electricity price forecasting. As the share of renewables rises, real-time balancing of supply and demand becomes more complex due to the intermittent and less predictable nature of these sources. Intraday markets offer a mechanism for market participants to adjust their positions after the day-ahead market closes, helping to manage imbalances closer to delivery. Accurate intraday price forecasts are therefore useful for market participants to optimize trading strategies, reduce imbalance costs and manage operational risk in increasingly dynamic electricity markets.
This thesis focuses on forecasting prices in the Finnish intraday electricity market, specifically the ID3 price index, a key market reference. In order to evaluate forecasting effectiveness, two machine learning models, Long Short-Term Memory (LSTM) networks and Extreme Gradient Boosting (XGBoost), were compared to naive benchmark methods, including the latest trade price and the volume-weighted average price from the prior half hour. Feature analysis was carried out to identify factors influencing price formation, showing strong correlations between prior intraday prices and the ID3 price, as well as minor contributions from, for example, wind generation forecasts, production supply developments and electricity demand patterns.
The study found that both LSTM and XGBoost models provided small improvements in forecasting accuracy over naive methods, although the naive models established a high baseline that was difficult to surpass. Importantly, LSTM and XGBoost were also capable of generating probabilistic forecasts, providing valuable uncertainty estimates that increased their practical utility. LSTM slightly outperformed XGBoost in both point and probabilistic forecasting, while XGBoost remained a strong and competitive alternative.
Uusiutuvien energialähteiden, kuten tuuli- ja aurinkovoiman, kasvava osuus on lisännyt tarkkojen sähkön hinnanennusteiden merkitystä. Kun uusiutuvien osuus kasvaa, sähköntuotannon ja -kulutuksen tasapainottaminen reaaliajassa vaikeutuu sääolosuhteista johtuvan vaihtelevuuden ja vaikean ennustettavuuden vuoksi. Intraday-markkinat tarjoavat markkinaosapuolille keinon korjata asemiaan vielä päivänsisäisen kaupankäynnin aikana vuorokausimarkkinoiden sulkeuduttua, mikä auttaa hallitsemaan epätasapainotilanteita lähellä toimitushetkeä. Tarkat intraday-hintaennusteet auttavat näin markkinaosapuolia optimoimaan kaupankäyntistrategioitaan, vähentämään tasepoikkeamia ja niistä seuraavia kustannuksia sekä hallitsemaan paremmin operatiivisia riskejä yhä dynaamisemmilla sähkömarkkinoilla.
Tämä opinnäytetyö keskittyy Suomen jatkuvan intraday markkinahintojen ennustamiseen, erityisesti ID3-hintaindeksin osalta, joka on keskeinen markkinareferenssi. Ennustetarkkuuden arvioimiseksi vertailtiin LSTM-neuroverkkoa ja XGBoost-algoritmia yksinkertaisiin vertailumalleihin, kuten viimeisimpään kauppahintaan ja edellisen puolen tunnin volyymipainotettuun keskihintaan. Eri tekijöiden merkityksiä analysoimalla havaittiin, että aiemmat intraday-hinnat korreloivat voimakkaasti ID3- hinnan kanssa. Muun muassa muutoksilla tuulituotantoennusteissa, sen hetkisellä tuotantotilanteella ja sähköntarpeella oli myös hieman vaikutusta.
Tutkimuksessa todettiin sekä LSTM-mallin että XGBoost-mallin tuovan pieniä parannuksia ennustetarkkuuteen verrattuna yksinkertaisiin vertailumalleihin, vaikka viimeksi mainitut asettivatkin vaikeasti ylitettävän perustason. LSTM ja XGBoost pystyivät lisäksi tuottamaan todennäköisyysennusteita, jotka tarjoavat arvokkaita epävarmuusarvioita ja parantavat näin mallien käytännön hyötyä. LSTM-malli suoriutui hieman XGBoostia paremmin sekä piste- että todennäköisyysennusteissa, mutta XGBoost tarjosi silti vahvan ja kilpailukykyisen vaihtoehdon.