Predicting Final Intraday Electricity Prices in the Very Short Term Utilizing Artificial Neural Networks

Abstract

Med økende bruk av fornybare energikilder har utviklingen av prismodeller for intradag handel blitt en viktig oppgave for mange markedsaktører for å optimalisere beslutningsprosessen. Dog har ikke den tilgjengelige litteraturen om emnet holdt følge med tempoet i økt intradag handelsaktivitet.Vi predikerer intradag strømpriser i den siste timen før levering på det tyske markedet ved å bruke kunstige nevrale nettverk.

Denne studien ser på bruken av forover-nett og rekurrente nettverk (LSTM og GRU). Prisinformasjonen fra tidligere transaksjoner for en gitt kontrakt er kjent for å være sterke variabler for denne prediktive oppgaven, men vi ser også på hvor godt modellene kan forutsi ved å inkludere kun eksogene effekter. Dette gjøres ved å bruke et rikt variabelsett sammensatt av værmeldinger og deres oppdaterte intradag værmeldingsfeil, endringer i tilgjengelige produksjonskapasiteter, kraftoverskudd, kraftunderskudd og funksjoner konstruert fra bud-tilbudskurven. Det gjør dette til en innovativ studie når man benytter kunstig intelligens for intradag markedsforskning.

Prisene i den siste perioden før levering er kjent for å være veldig kaotisk forårsaket av kortsiktig dynamikk. Med nøye trening av nevrale nettverk kan vi utkonkurrere de statistiske referansemodellene ved lineære feil.

With the growing inclusion of renewable energy sources, developing price models for intraday trading has become an essential task for many market participants in order to optimize the decision-making process. Yet the available literature on the topic has not been keeping up with the pace of increased intraday trading activity. We predict prices in the final hour prior to delivery on the German intraday market, utilizing Deep Learning techniques.

This thesis looks into the usage of feed-forward neural networks and recurrent neural networks (LSTM and GRU). Price information from earlier transactions for a given target contract is known to be strong variables for this predictive task. For this study, we also look at how well the models can forecast with merely exogenous effects. We make use of a rich feature set composed of weather forecasts, and their intraday updated errors, changes in available production capacities, imbalance volumes, and features engineered from the bid-offer curve. That makes this is a novel study when applying computational intelligence methods for intraday market research.

Prices in the final trading hour are known to be very noisy, caused by short-term dynamics. With careful training of the neural networks, we are able to outperform the statistical baselines on linear errors.