Automating Wind-power Trading in the Nordic Intra-day Market

Abstract

Denne oppgaven undersøker handelsstrategier for en vindkraftprodusent i det illikvide, nordiske intradag markedet. Under antakelsen at produsenten kun genererer vindkraft, har ingen marginalkostnader, og handler deterministisk i spot og regulerkraftmarkedet; så kan problemet reduseres til å finne intradag transaksjoner som selger over og kjøper under regulerkraftprisen; så lenge den forventede ubalansen til produsenten ikke overstiger en gitt grense.

Gitt tilstrekkelige gode prognoser for regulerkraftprisen så ble det antatt at det er mulig å profitere fra intradag handel med grådige, heuristiske strategier som handler på diskrete tidspunkt. Det ble også antatt at det var mulig å forbedre strategiene ved å optimalisere over hele handelsforløpet med Reinforcement Learning (RL). De tenkte forbedringene inkluderte å (1) handle på bedre tidspunkt, (2) redusere kostnader relatert til avstanden mellom salg- og kjøpsbud, og (3) finne løsninger som bedre håndterer risiko. For å teste hvorvidt dette var tilfellet ble en simulator av markedet som gjenspiller historisk data på ordrebok-nivå laget. Strategiene ble ble så evaluert over markeds- og produsentdata fra Midt-Norge (NO3) i 2019 og 2020.

Oppnådde resultatene indikerer at det er mulig for produsenten å øke inntektene sine med intradag handling. De heuristiske strategiene utviste robust ytelse over både treningsdataene (2019) og testdataene (2020), og tillot risikoaversjon ved å handle basert på forskjellige kvantilprognoser for regulerkraftprisen. RL-strategiene gjorde det bedre på treningssettet, men overtaket forsvant på testsettet. Med unntak av en svak indikasjon på at de reduserte kostnader relatert til avstanden mellom salg- og kjøpsbud, var det kun RL-strategier med kunstig tilgang på fremtidige intradagspriser som gjorde det bra på test settet. Det ble også gjort et forsøk på å predikere fremtidige intradagspriser, men det mislyktes over deler av evalueringsperioden, delvis på grunn av metodologien som ble brukt og delvis på grunn av de svært usedvanlige elektrisitetsprisene i 2020.

Alt i alt, så gjorde strategiene som var tillatt å spekulere med ubalansene sine det best. De som var begrenset til å kun handle seg i balanse, som for vidt er hensikten med intradagshandel, økte så vidt den totale inntjeningen til produsenten i det hele tatt.

This thesis investigates trading strategies for wind power in the illiquid, Nordic intra-day market. Assuming the position of a pure wind-power producer with no marginal costs, one-price imbalance settlement, and deterministic actions in the day-ahead and regulating markets; the problem was reduced to picking transactions that sell above and buy below the (ex-post) regulating price, provided that the expected imbalance does not exceed a permitted speculation limit.

Given adequate forecasts of the regulating price, it was hypothesized that profitable transactions could be identified and greedily taken at discrete points in time by heuristic strategies. Additionally, it was hypothesized that the strategies could be further improved by optimizing over the entire bidding process with Reinforcement Learning (RL). The candidate improvements identified for a non-greedy approach were; (1) timing the market to trade at better opportunities, (2) reduce costs related to the bid-ask spread, and (3) finding more risk-efficient strategies. To answer these questions, a simulator of the Nordic power market that replays historical intra-day data at the order-book level was built. Using market and producer data from Central Norway (NO3) in 2019 and 2020, the different strategies were evaluated and compared.

Results indicate that it is possible for the considered producer to profit from intra-day trading. The heuristic strategies showed consistency across both the training (2019) and testing (2020) set and allowed risk-aversion to be incorporated by basing decisions on different predicted quantiles of the regulating price. The RL approaches beat the heuristic baselines on the training set, but the performance gap collapsed over the testing set. Except for minor evidence of a reduction in costs related to the bid-ask spread, the only RL agents found to generalize robustly were those with artificial access to future intra-day prices. An isolated experiment attempted to make genuine predictions for the future intra-day prices but failed to generalize to all out-of-sample tests due to a combination of the selected methodology and the highly unusual electricity prices of 2020.

Across the board, trading strategies earned considerably more when permitted to take more significant, speculative positions in the regulating market deliberately. When restricted to only participate in transactions that reduce the expected imbalance, which is what intra-day trading is supposed to facilitate, the observed increase in revenue was just a tiny fraction of a percent.