Predicting electricity prices in Trøndelag using different models

Abstract

I denne oppgaven har vi bygget modeller for å predikere strømpriser i Trøndelag, inkludert en lineær regresjonsmodell (OLS), simple recurrent neural network (SRNN), og en Long short term memory nettverksmodell (LSTM). Vårt datasett går over en 5 års periode fra 2017-2022, og det består av historiske spotpriser for strøm fra Nord Pool, sammen med værdata fra Frost API hentet fra meteorologisk institutt. Oppgaven forklarer først viktige konsepter, metoder og teori for å gi et grunnlag for analysen vår. Vi beskriver så metodologien bak modellene våre. Deretter bygger vi en benchmark for å måle modellen vår som setter morgendagens pris til det samme som i dag. Så har vi bygget en lineær regressionsmodell som prøver å predikere spot priser ved å bruke lineære forhold. Vi har også bygget en SRNN modell, og en LSTM modell. Vi fant ut at det er vanskelig å lage gode prediksjoner utenfor dataen som vi trente modellen med, og vi klarte ikke slå benchmarken.

In this thesis, we have built models for predicting electricity prices in Trøndelag, including a linear regression model (OLS), simple recurrent neural network model (SRNN), and a Long Short term memory network model (LSTM). Our dataset used the five-year period between 2017-2022, and it consisted of historical electricity spot prices from Nord Pool, together with weather data from the Frost API through the Norwegian Meteorological Institute. The paper first explains important concepts, methods, and theory to give some background to our analysis. We then described the methodology behind our models. We built a benchmark to measure our model that set tomorrows price as the same as today. We then built a linear regression model that attempts to predict spot prices by using linear relationships. We also built a SRNN model and a LSTM model. We found that it is difficult to make good predictions outside the data that we trained the model on, and we were not able to beat our benchmark.