Electricity Price Forecasting Benchmark of ENTCN on Nordic Bidding Areas

Abstract

Selv om prognoser for strømpriser har sett et mylder av foreslåtte modeller de siste tiårene, har feltet fortsatt et begrenset antall systematiske benchmarkinger. I denne oppgaven utfører vi en strukturert benchmark av et stort antall "state-of-the-art" statistiske og dyplæringsmodeller for prognose for elektrisitetspriser på de timebaserte NordPool prisområdene i de 12 nordiske regionene over en syv-dagers horisont. Modellene som er implementert inkluderer; AR-modeller, regresjonsmodeller, feed-forward nevrale nettverk, konvolusjonelle nevrale nettverk og en naiv benchmark. Videre testes en proprietær hybridmodell kalt ENTCN, som består av en utviklet naiv modell og et temproalt konvolusjonelt nettverk. Selv om det var betydelige regionale forskjeller i modellytelse, overgikk de statistiske modellene konsekvent dyplæringsmodellene, på tvers av de fleste feilberegninger og budområder. Videre, mens ENTCN-modellen overgikk sammenlignbare dyplæringsmodeller, ble den konsekvent slått av enklere statistiske modeller. ARIMA-modellen presterte best på tvers av alle feilmålinger i Norge, mens SARIMA-modellen var best i Danmark. Den lineære regresjonsmodellen presterte imidlertid best i både Sverige og Finland. I gjennomsnitt, på tvers av de 12 NordPool-budområdene, presterte SARIMA best på de absolutte feilberegningene, mens ARIMA gjorde det best på de relative feilberegningene. Til slutt, for å sikre meningsfulle resultater og reproduserbarhet, bruker oppgaven åpen kildekode-modeller og velkjente datasett med åpen tilgang samtidig som det utføres statistiske tester (Diebold-Mariano) for å vurdere statistisk signifisikans av forskjeller i ytelse.

Although electricity price forecasting has seen a myriad of proposed models in the last decades, the field still has a limited number of rigorous benchmarks. In this thesis, we perform a structured benchmark of a large number of state-of-the-art statistical and deep learning electricity price forecasting models on forecasting the hourly NordPool bidding area prices in the 12 Nordic regions over a seven-day horizon. The models implemented include; AR-type models, regression models, feed-forward neural networks, recurrent neural networks, and a naive benchmark. Furthermore, a proprietary hybrid model called ENTCN, which consists of an enhanced naive model and a temporal convolutional network, is tested. Although there were significant regional differences in model performance, the statistical models consistently outperformed the deep learning models, across most error metrics and bidding areas. Furthermore, while the ENTCN model outperformed comparable deep learning models, it was consistently outperformed by simpler statistical models. The ARIMA model performed best across all error metrics in Norway, while the SARIMA model was the highest performing in Denmark. However, the linear regression model performed best in both Sweden and Finland. On average, across the 12 NordPool bidding areas, the SARIMA performed best on the absolute error metrics while the ARIMA did best on the relative error metrics. Lastly, to ensure meaningful results and reproducibility, the thesis utilizes open-sourced models and well-known open-access datasets while also performing statistical tests (Diebold-Mariano) to assess the significance of differences in performance.