Norwegian Day-ahead Electricity Price Forecasting using AI Models

Omleggingen fra de regulerte, lokale monopolkraftmarkedene i Norge til liberaliseringen av krafthandelen som følge av energiloven i 1991, har skapt konkurransekraft blant markedsaktørene. I tillegg kommer den nylige bevisstheten om behovet for klimastabilisering som har gitt ordninger som Parisavtalen og klimaloven som fokuserer på det globale behovet for avkarbonisering som kan løses med fornybare energiressurser. Derfor har en økende mengde av disse kildene oppstått over tid og forventes å øke ytterligere for å nå klimamålene. Den økende mengden av vind-, sol- og vannkraftproduksjon som er avhengig av det uforutsigbare værforholdet, bidrar derfor til volatiliteten i strømprisen som leverandører og forbrukere konkurrerer mot. Godt fungerende prognosemodeller vil være fordelaktig for relevante markedsdeltakere å forutsi de mest gunstige valgene i kraftmarkedsauksjoner slik at de økonomiske fordelene maksimeres. Dyplæringsmodeller (DL) basert på kunstig intelligens (AI) har fått mye oppmerksomhet i det siste for sine gode prognoser og hybridfusjon av DL, AI eller andre tradisjonelle modeller har i nyere tid blitt oppdaget i å forbedre prognosenøyaktigheten ytterligere. Derfor bør kvaliteten på AI-prognosemodeller undersøkes i detalj. Denne oppgaven evaluerer ytelsen til to vidt differensierende dyplæringsmodeller (DL), nemlig artificial neural network (ANN) og long short-term memory (LSTM) modellene med nødvendig for- og etterbehandling henholdsvis før og etter kjøring av prognosemodellene , sammen med det siste trinnet med å visualisere resultatet for tolkning og analyse av prognoseresultatene. Hybridløsning av slike DL-modeller og maskinlæringsbasert (ML) k-means clustering (datagruppering) utføres også med hensyn til prognoser, med kvaliteten på datagrupperingsmetodikken som skal sammenlignes med manuell gruppering i henhold til typen dag. Supplerende modifikasjoner til DL-modellene som å legge til et skjult lag eller et dropout-lag vil bli implementert for å vitne om enhver forbedring av resultatene. I tillegg kan betydningen og påvirkningen av visse input sparametere, f.eks. temperatur, nedbør og CO\textsubscript{2}-prisdata som har på prognosenøyaktigheten undersøkes. Day-ahead strømprisen for 2021 i hver av de fem budsonene i Norge skal predikeres. Resultatene indikerer en likhet i resultatene blant de såkalte stabile sonene som består av NO3 og NO4 med stabile og relativt lave strømpriser i 2021, noe som viser å prestere på sitt beste med ANN. De gjenværende budområdene, NO1, NO2 og NO5, kategorisert som de ustabile sonene på grunn av den uhyre oscillerende prisatferden oppdaget i 2021, utmerker seg imidlertid den mest presise prognosen gjennom LSTM-modellen. Verken datagruppering eller ytterligere modellmodifikasjoner bidrar til å forbedre prediksjonen. En annen oppdagelse er hvordan de stabile sonene faktisk får forbedret prediksjon når input data som værforholdselementer og CO\textsubscript{2}-priser blir neglisjert, mens de ustabile sonene ser ut til å være avhengig av disse datatypene. LSTM-modellen er også observert å ha en langsommere reaksjonshastighet når det oppleves brå endringer i strømprisene, i motsetning til den raske ANN-modellen