Green Hydrogen Production Optimization with Artificial Intelligence in Northern Norway

Abstract

Nord-Norges rike ressurser på vann- og vindkraft, i kombinasjon med historisk sett lave og stabile kraftpriser har gjort det til et attraktivt område for kraftkrevende industri. Til tross for dette, har prisen og volatiliteten økt de siste par årene, noe som har skapt problemer for forutsigbarhet og lønnsomhet tilknyttet industrier sterkt avhengig av kraftprisen. Denne masteravhandlingen foreslår måter å imøtekomme denne uforutsigbarheten på, ved bruk av kraftpris-prediktive modeller og modellassistert optimering for produksjon av grønt hydrogen. Oppgaven sammenligner to fremstående metoder for prediksjon av kraftpriser: tradisjonelle statistiske metoder, representert av ARMA-modeller, og maskinlæringsteknikker, spesifikt LSTM rekurrente nevrale nettverk. Oppgavens mest effektive statistiske metode, ARMAX-GARCH, oppnådde en RMSE og MAE på 14,56 og 6,46 øre/kWt. Av de undersøkte maskinlæringsteknikkene, oppnådde Seq2Seq-LSTM sterkt forbedret resultater med RMSE og MAE på 6,43 og 2,1 øre/kWt. Dette ble observert i løpet av en testperiode fra 2016 til 2023, ved bruk av femdagersprediksjoner. I tillegg til dette, viser studien en reduksjon i RMSE på 53%, ved å legge til Seq2Seq-arkitektur til en LSTM-struktur for femdagersprediksjoner i kraftprisområdet NO4. For å overføre disse modellene inn i en praktisk økonomisk kontekst for kraftkrevende industrier, ble en produksjonscase for hydrogen skapt ved bruk av Mixed Integer Programming. Her ble modellenes økonomiske påvirkninger sammenlignet med et baseline-scenario som antar konstant daglig produksjon av hydrogen. Den modelassisterte optimeringen søker etter å flytte hydrogenproduksjon, basert på de prediktive modellenes evne til å identifisere de mest kostnadseffektive produksjonsdagene innenfor en arbeidsuke. Studien viser at en Seq2Seq-LSTM assistert optimering resulterte i besparelser på 9,44%, mens ARMAX-GARCH modellen resulterte i besparelser på 1,81% for en produksjonsperiode på åtte uker. Konkluderende foreslår vi en hybrid KI-løsning som kombinerer et Seq2Seq-LSTM nevralt nettverk med en MIP-algoritme, for å øke forutsigbarheten og lønnsomheten for spotprisbasert hydrogenproduksjon i NO4 området.

Northern Norway’s abundant hydro and wind-based power resources, in combination with its historically low and stable power prices, have made it an attractive location for power intensive industries. Meanwhile the price and volatility have increased the last two years, causing problems with predictability and concerns about profitability for corporations highly dependent on the power price. This thesis suggests a way to combat this unpredictability with the usage of power predictive models as model guided optimization for green hydrogen production. This thesis compares two prominent methods for power price forecasting: traditional statistical approaches, represented by the ARMA-family of models, and machine learning techniques, specifically LSTM neural networks. The thesis’ most effective statistical method, ARMAX-GARCH, achieved an RMSE and MAE of 14.56 and 6.46 øre/kWh, respectively, while the best machine learning method found, Seq2Seq-LSTM, demonstrated significantly improved performance with an RMSE of 6.43 and an MAE of 2.1 øre/kWh. This was tested on a period from 2016 to 2023 with five day predictions. Furthermore, the study revealed that applying the Seq2Seq architecture to an LSTM structure surpasses the performance of a conventional LSTM model, resulting in a 53% reduction in RMSE for five-day forecasting in the NO4 price area. To translate these predictive models into practical financial implications for power intensive industries, a hydrogen production case was created using Mixed Integer Programming. Herein, the financial impacts of the forecasting models were compared against a baseline scenario that assumes a constant daily production of hydrogen. The model guided optimization aimed to shift hydrogen production, based on the predictive models identifying the most cost-effective production days within a work week. The results revealed that the Seq2Seq-LSTM guided optimization led to savings of 9.44%, while the ARMAX-GARCH model resulted in savings of 1.81% for a production period of eight weeks. In conclusion, we propose a hybrid AI solution that combines a Seq2Seq-LSTM neural network with a MIP-algorithm to increase predictability and enhance profitability for spot-price-based hydrogen production in the NO4 region.