En prediktiv analyse av strømprisen ved bruk av maskinlæring

Abstract

Dereguleringen av kraftmarkedet har ført til et økende behov for risikostyring i energimarkedet. Prediksjon av strømpriser er dermed en viktig problemstilling og har stor betydning for både produsenter og forbrukere. Strømprisene er ene og alene bestemt av markedet, det vil si tilbud og etterspørsel. Resultatet av dette er i økonomisk sammenheng en effektiv løsning, men byr på problemer knyttet til høy usikkerhet og volatilitet for markedsaktører som produsenter, selgere og konsumenter. Det er flere faktorer som forklarer den høye volatiliteten man ser i strømprisene. Den viktigste forklaringsvariabelen er trolig det faktum at elektrisitet ikke kan lagres på en effektiv måte. Dette fører til at produksjon og konsum må balanseres kontinuerlig. Som følge av dette vil tilbud- og etterspørselssjokk ikke kunne utjevnes enkelt, og påvirker likevektsprisene direkte.

I denne studien har vi gjort et dypdykk i elektrisitetsmarkedet for å forsøke å avdekke hvilke variabler som er med på å forklare strømprisen for prisområde NO1, Østlandet. Ved hjelp av maskinlæring har vi forsøkt å avdekke trender i historisk data for å kunne si noe om fremtidige strømpriser. Maskinlæringsmodellene som er tatt i bruk er både lineær og logistisk regresjon, nevrale nettverk, samt en bayesiansk modell. Studien har tatt utgangspunkt i en periode på 10 år - fra 2013 til 2023, hvor vi har brukt data fra både åpne og private kilder.

Modellene preges i stor grad av omfattende strukturelle endringer i strømprisen fra og med året 2022, hvor den åpenbare årsaken til denne strukturelle endringen er krigen mellom Russland og Ukraina. Resultatet viser derfor til modeller som kun til en viss grad er i stand til å forutsi endringer i strømprisen. Likevel har funnene gitt oss mer innsikt og forståelse i hvilke faktorer som er med på å fastsette strømprisen.

The deregulation of the power market has led to an increasing need for risk management in the energy market. Prediction of electricity prices is thus an important issue and has great significance for both producers and consumers. Electricity prices are solely determined by the market, i.e. supply and demand. The result of this is, in an economic context, an effective solution, but may lead to certain problems related to high uncertainty and volatility for market participants; not only for producers and sellers, but also consumers. There are several factors that explain the high volatility seen in electricity prices. The most important explanatory variable is probably the fact that electricity cannot be stored efficiently. This means that production and consumption must be continually balanced. As a result, supply and demand shocks cannot be smoothed out easily, and will affect equilibrium prices directly.

In this study, we have dug deeper into the functionalities of the electricity market to try to uncover which variables help explain the electricity price for price area NO1, Eastern Norway. With the help of machine learning, we have tried to exhibit trends in historical data in order to be able to say something about future electricity prices. We have used machine learning models like linear and logistic regression, neural networks and a Bayesian model. The study is based on a ten year period - from 2013 to 2023, where we have used both open and private sources.

To a large extent, the models are characterized by extensive structural changes in the electricity price from and including the year of 2022. The obvious reason for this structural change is the war between Russia and Ukraine. For that reason, the result of our study visualizes models which are just some-what capable of predicting the electricity price. Nevertheless, our discoveries have given us more insight and comprehension regarding what drives the electricity price.