Prediksjon av strømpriser i Trondheim ved bruk av maskinlæring og statistisk modellering

Abstract

Formålet med denne oppgaven er å bruke modeller for sekvensiell data til å utføre prediksjoner av norske strømpriser. Ved å ta en grundig undersøkelse av det nordiske energimarkedet får vi et innblikk i relevante faktorer som er med på å påvirke de norske strømprisene. Datasettet som benyttes er bestående av forklaringsvariabler som anses som relevante for fluktuasjonene i kraftmarkedet. Det innebærer meteorologiske faktorer, energiutveksling og makroøkonomiske forhold. Den avhengige variabelen, som representerer fenomenet vi ønsker å prognostisere, er gjennomsnittlig daglig spotpris for prisområdet NO3 - Trøndelag de siste seks årene.

For å predikere strømprisen i Trøndelag har vi utviklet tre modeller som følger en statistikk tilnærming, samt to modeller ved hjelp av kunstige nevrale nettverk. Den statistiske tilnærmingen består av tre ulike ARIMA modeller, der vi gradvis har inkludert eksogene variabler og sesongmessige svingninger i modelleringen. De kunstige nevrale nettverkene er basert på LSTM nettverk, der antall dager inkludert i predikeringen skiller de to ulike versjonene.

Våre undersøkelser har vist at ingen av modellene presenterer nøyaktige og tilfredsstillende prediksjoner, da samtlige modeller viser begrenset evne til å fange opp de sentrale nyansene i datasettet. Dette påvirkes trolig av lav korrelasjon med forklaringsvariabler vi har identifisert, samt store svingninger i prisene de siste årene. Den fullverdige SARMAX er av høyest kvalitet blant de statistiske modellene. Blant maskinlæringsmodellene er det LSTM modellen som kun inkluderer data fra foregående dag som presterer best. Gjennom en visuell analyse av resultatene, observerer vi at dyplæringsmodellen i større fanger opp variasjonen i svingningene. På den andre siden presterer de statistiske modellene bedre basert på bruk av vurderingsverktøy.

The purpose of this thesis is to utilize models for sequential data to forecast Norwegian electricity prices. Through a comprehensive examination of the nordic power market, we got an insight of relevant factors which influence the Norwegian electricity prices. The dataset used consists of explanatory variables deemed relevant for the fluctuations in the power market. That implies meteorological factors, energy exchange and macroeconomic conditions. The dependent variable, which represents the phenomenon we aim to forecast, is the average daily spot price for the price area NO3 - Trøndelag for the last six years.

We have developed three models with a statistical approach, as well as two models by artificial neural network. The statistical approach consists of three ARIMA models, where we have gradually included exogenous variables and seasonality in the modeling. The artificial neural networks are built as LSTM networks, where the amount of days included in the predictions distinguish the different versions from each other.

Our examinations have shown that neither of the models presents accurate and satisfactory predictions, as all models demonstrate limited capability to capture central nuances in the dataset. This is probably due to low correlation with the influence factors we have identified, as well as large fluctuations in price the last couple years. The SARMAX is of the highest quality among the statistical models. The LSTM model which only includes data from the previous day performs the best amid the machine learning models. Through a visual analysis of the results, we observe that the deep learning model more efficiently captures the variation in the fluctuations. Nevertheless, the statistical models perform better based on use of assessment tools.