Prediksjon av strømpriser

De økende kraftprisene har fått mye oppmerksomhet den siste tiden, og mange har utrykt sin misnøye og uro knyttet til de høye strømprisene. Å kunne finne modeller som predikerer prisene vil kunne gi en økt grad av kontroll, og være med på å gjøre kraftmarkedet mer forutsigbart. Det er mange veier man kan gå for å utvikle gode forklaringer på bevegelsene i kraftmarkedet, men vi har valgt å se på to ganske ulike modeller for å kunne jobbe mot å finne en trend, som kanskje kan bidra til videre forskning. Problemstillingen vi landet på er «Kan et kunstig nevralt nettverk predikere historiske elspot priser bedre enn en linære modell?». Problemstillingen spesifiserer at det handler om forskjellen på de to modellene, selv om det selvsagt også er interessant å se på resultatene isolert sett. Ved bruk av denne problemstillingen valgte vi ut data basert på teori om kraftmarkedet og dens drivere. Her har vi både med de relativt åpenbare direkte faktorene slik som: produksjon, forbruk, temperatur, vindstyrke og mengden vann i vannmagasiner. I tillegg til at vi har med en mengde mindre åpenbare og indirekte faktorer slik som: valutakurs, kullpris, karbonutslippskvoter og prisen på naturgass. Etter å ha skalert disse variablene til sammenlignbare størrelser har vi lagt de inn i våre to modeller. Antagelsen og målet var at det kunstige nevrale nettverket skulle klare å finne sammenhenger som den linære modellen ikke finner, og med det kunne skape bedre og mer presise prediksjoner. Konklusjonen ble litt annerledes enn forventet, og vi ser at LSTM modellen predikerer bedre enn regresjonsmodellen på treningsdataene. Vi ser derimot at resultatene er litt mer uklare når det kommer til testdataene. MSE og MAPE favoriserer forskjellige modeller, og ved visuell inspeksjon ser vi at ingen av modellene kan predikere spesielt godt. Dette tyder på at begge modellene predikerer dårlig på virkelig dat