| dc.description.abstract | Balansen mellom kraftproduksjonen og kraftforbruket til enhver tid er den viktigste forutsetningen for at kraftsystemet skal fungere uten forstyrrelser. Økende mengde av kraft som kommer fra fornybare energikilder, og mer variabel og usikker strømforbruk har ført til at flere ubalanser oppstår i kraftsystemet.
Ved en ubalanse i driftstimen, vil et behov for aktivering av regulerkraftreserver oppstå. Aktivering av reserver vil føre til en ekstra kostnad for markedsaktørene som er ansvarlige for ubalansen. Markedsaktørene har også mulighet til å tilby sin produksjonskapasitet i Regulerkraftmarkedet, og få en ekstra inntekt dersom deres bud vil bli aktivert. Derfor vil en nøyaktig prognose av regulerkraftvolumet og regulerkraftprisen i en driftstime være til en fordel for markedsaktørene med tanke på å redusere deres ubalansekostnader og å skaffe en ekstra inntekt.
I denne masteroppgaven har muligheten til å forutse regulerkraftvolumet og regulerkraftprisen ved hjelp av Machine Learning algoritmer blitt undersøkt. Boosted Decision Tree regresjonsmodellen og Decision Forest regresjonsmodellen fra Microsoft Azure Machine Learning Studio har blitt brukt til å lage prognosen av regulerkraftvolumet og regulerkraftprisen i prisområdet NO3 en dag fremover og noen timer før den faktiske driftstimen.
Resultatene som har blitt oppnådd under arbeidet, har vist at det er umulig å skaffe en nøyaktig prognose av regulerkraftvolumet for en time uten å ha regulerkraftvolumet fra tidligere timer som en av forklaringsvariablene, og uten å ta hensyn til hendelser som har skjedd utenfor NO3. En god nok prognose av regulerkraftvolumet kan bli skaffet et par timer før den faktiske driftstimen dersom regulerkraftvolumverdiene fra tidligere timer er brukt som en av forklaringsvariablene. Imidlertid, ved å ta hensyn til situasjonen i de andre prisområdene og å forutse den totale ubalansen i prisområdet NO3, kan en nøyaktig prognose for et døgn i forveien, bli skaffet. Regulerkraftprisen kan også bli forutsett med en god nøyaktighet, men en nøyaktig prognose for regulerkraftvolumet er påkrevd. | |
