Intraday bidding optimization for a Nordic hydropower producer using fundamental drivers to forecast the intraday market
Master thesis
Date
2021Metadata
Show full item recordCollections
- Institutt for elkraftteknikk [2573]
Abstract
Denne masteroppgaven undersøker den potensielle fortjenesten for en vannkraftprodusent fra NO3 som deltar i intradagsmarkedet. Oppgaven utforsker om forecasting av intradagsmarkedet ved hjelp av markedsdrivere og maskinlæring kan forbedre budgivningen. Studien er motivert av at intradagsmarkedet for NO3 nylig har sett økte volumer. Nyere studier har også funnet sammenhenger mellom intradagsmarkedet og markedsdrivere, mens andre har begynt å bygge verktøy for å forecaste intradagsprisene basert på markedsdriverne.
Et optimaliserings- og simuleringsrammeverk for intradagshandel og produksjonsplanlegging er utviklet. Rammeverket bruker en rolling-horizon approach til å gå gjennom intradagsmarkedet fra det åpner til det stenger time for time. Hver time vil et to-trinns stokastisk blandet heltallsproblem akseptere lønnsomme ordre fra den faktiske ordreboka, basert på produksjonsplanen, vannverdien og fremtidige handelsmuligheter. Scenarier for fremtidige handelsmuligheter genereres ved å forecaste intradagspremiumen, volumet og forekomsten av handler for hvert produkt. Forecastingen utføres med random forest regresjon eller nevrale nettverk, og bruker markedsdrivere som inputvariabler.
For en casestudie med en vannkraftprodusent i NO3, og 256 dager i 2020, konvergerer fortjenesten ved å delta i intradagsmarkedet til rundt 3 % for budmodellen uten forecasting. For budmodellen med forecasting er det behov for mer arbeid og data for å konkludere på ytelsen av modellen. Dette er til tross for at denne modellen i gjennomsnitt presterer bedre enn budgivningsmodellen uten forecasting for de testede dagene i 2020. Denne usikkerheten skyldes for det meste den forskjellige ytelsen til forecastingsmodellene under forskjellige markedsforhold. Testing av budmodellen utenfor det unormale året 2020, og utvikling av forecastingsmetodene blir derfor identifisert som de viktigste forbedringene for å gjøre resultatene mer pålitelige. This thesis investigates the potential profits of a hydropower producer participating in the intraday market. It explores if forecasting the intraday market using fundamental drivers and machine learning can improve the intraday bidding. The study is motivated by the intraday market in NO3 recently seeing increased volumes. Recent studies have also found relations between the intraday market and fundamental drivers, while others have started building tools to predict the intraday prices based on this.
An optimization and simulation framework is proposed for the intraday bidding and hydropower scheduling problem. The framework uses a rolling-horizon approach to go through the intraday market from it opens until it closes. At each hourly time-step, a two-stage stochastic mixed-integer program will accept profitable limit orders from the real order book, considering the production plan, the water value and future trading opportunities. Scenarios of future trading opportunities are generated by forecasting the intraday premium, volume and occurrence of trades for each product. The forecasting is done with random forest regression or neural networks, and uses fundamental drivers as input variables.
For a case study with a hydropower producer in the bidding zone NO3, and 256 days in 2020, the benefit of participating in the intraday market converges to around 3 % for the bidding model without forecasting. The bidding model with forecasting does on average outperform the bidding model without forecasting. However, more data and testing is needed to reach a conclusion on the performance of this model. This uncertainty is mostly due to the different performance of the forecasting methods under different market conditions. Testing the bidding model outside of the abnormal year 2020, and development of the forecasting methods is therefore identified as the most important improvements to obtain more reliable results.