Electricity price forecast modelling of the Swedish FCR-D down market

Abstract

The energy system of tomorrow faces major challenges and rapid changes both in Sweden and worldwide. To achieve ambitious climate targets, electrification is seen as a key solution, with the Swedish TSO projecting a near doubling of electricity demand by 2045. This increase, driven largely by renewable and intermittent energy sources, poses significant challenges for grid stability. Consequently, reliable predictions for energy prices and production are crucial for market actors. This thesis investigates time-series models for electricity price forecasting on the Swedish ancillary service market FCR-D down.

This study involves extensive data analysis of the price development on the Swedish FCR-D down market during 2022-2023, along with the exploration of relevant data sources for price forecasting, and the implementation of different time-series forecasting models. More precisely, seasonal naive statistical models are evaluated by their RMSE and MAE against CatBoost models with different feature combinations. Key findings indicate that features of lagged consumption prognosis and day-ahead system price enhance model performance. Furthermore, the results demonstrate that simple CatBoost models generally outperform naive statistical models, especially when external data sources are implemented as features.

The findings from this thesis offer valuable insights for energy companies, aiding in smarter decision-making and optimization of FCR-D down price forecasts. This research supports sustainable energy initiatives by promoting more flexible assets in the energy markets, ultimately contributing to a greener future.

Popular Abstract (Swedish)

Morgondagens energisystem står inför stora utmaningar och snabba förändringar både i Sverige och i världen. För att nå ambitiösa klimatmål ses elektrifiering som en viktig lösning på problemen, där Svenska Kraftnät räknar med en nära fördubbling av efterfrågan på el till 2045. Denna ökning, till stor del driven av förnybara energikällor som är svårare att planera och pronosticera, innebär betydande utmaningar för stabiliteten i elnätet. Det här gör att stödtjänster och flexibla resurser blir allt viktigare. Dessa tjänster handlas direkt med Svenska Kraftnät som snabbt ska kunna jämna ut plötsliga obalanser i frekvensen i elnätet vilket uppstår när produktion och konsumtion inte exakt stämmer överrens.

Det här examensarbetet undersöker prognoser för priset på just en sådan stödtjänstmarknad, FCR-D ned, som står för en nedregulerande Frequency Containment Reserves. Nedregulation i det här fallet innebär att regulera ned produktion eller regulera upp konsumtion. Aktörer som handlar med dessa stödtjänser måste godkännas för att kunna reglera sin tillgång inom bara några få sekunder, för att vi alltid ska kunna förlita oss på en stabil elförsörjning. Studien i det här examensarbetet har fokuserat på faktorer som korrelerar med och påverkar priset på FCR-D ned marknaden, samt hur maskininlärning eventuellt kan förbättra korttidsprognoser av priset.

Arbetet innehåller en explorativ dataanalys av den historiska prisutvecklingen på FCR-D ned-marknaden under de två åren 2022-2023, samt implementering av modeller för att göra prognoser på priset till framtiden. Mer specifikt utvärderas naiva statistiska modeller mot maskininlärningsmodellen CatBoost. I maskin- inlärningsmodellerna testas ett stort urval av variabler från externa data källor och deras potentiella korrelation med FCR-D ned priset. Data som analyseras är prognoser för total konsumtion och produktion, produktion av vindkraft och vattenkraft samt priser på dagen-före marknaden och andra stödtjänstmarknader.

Resultatet från examensarbetet visar att de mest gynnsamma externa variablerna är prognos för konsumtion kommande dygn, priset på dagen-före marknaden samt FCR-N priser. Vidare visar forskningen att CatBoost modellerna ger bättre prognoser för FCR-D ned priser i Sverige, jämfört med naiva statistiska modeller, i de marknads fall när man inte ser större extremvärden på priset än vad som tidigare uppmätts. CatBoost modellerna tenderar även att ge en mindre volatil prognos på priset, vilket resulterar i färre stora fel.

Behovet av exakta prisprognoser för FCR-D ned-marknaden är stort, då det hjälper energiföretag att fatta smartare beslut och att optimera sina handelsstrategier för ökad lönsamhet. Med en större förståelse för priset på stödtjänster kan fler aktörer bidra med flexibla resurser, vilket i sin tur hjälper till att stödja elnätet när vi går mot en grönare framtid.

Priserna för stödtjänster och kapaciteten för att reglera frekvensen i elnätet är generellt mycket höga i Sverige jämfört med resten av Europa. Dessutom har priset under stor del av 2022-2023 varit högt jämfört med vad tillgångarna hade genererat om aktörerna hade sålt motsvarande produktion på dagen-före marknaden. Det har varit en stor bidragande faktor i den snabba utbyggnaden av stora batterilager i Sverige de senaste åren och nu ökar även intresset för privatpersoner att bidra med flexibla resurser.

Det här examensarbetet bidrar till att öka kunskapen om modeller för tidsserieanalys och prisprognoser för handel av stödtjänster, vilket i sin tur stödjer hållbara investeringar och en grönare framtid inom energibranschen.

• author: Rosenqvist, Martina
• supervisor: Martin Andersson; Hannes Sonnsjö
• organization: Department of Energy Sciences
• course: MVKM01 20241
• year: 2024
• type: H3 - Professional qualifications (4 Years - )
• subject: Technology and Engineering
• keywords: Energy markets, Renewable energies, Time series modelling, Machine learning, Electricity price forecasting, Ancillary service markets, FCR-D down market
• report number: LUTMDN/TMHP-24/5596-SE
• ISSN: 0282-1990
• language: English
• id: 9174969
• date added to LUP: 2024-11-26 13:39:47
• date last changed: 2024-11-26 13:39:47