Nord Pool day-ahead electricity price modeling and forecasting

Daniel Pilný

Master's thesis

Modelování a predikce Nord Pool spot cen elektřiny

Abstract:

Hlavním cílem této práce je porovnání modelů pro predikci Nord Pool 'day-ahead' ceny elektřiny. Standardní ekonometrické modely Reg-(S)ARIMA(-GARCH) a modely strojového učení SVR a LSTM jsou použity pro modelování a předpověď cen elektřiny v nabídkových oblastech NO2 (Norsko) a DK1 (Dánsko). Práce obsahuje analýzu trhu elektřiny v obou zemích a na základě lokálních specifik zkoumá potenciální přínos exogenních proměnných jako jsou teplota vzduchu, srážky, rychlost větru, cena fosilních paliv, hladina vodních rezervoárů a spotřeba elektřiny. Modely jsou vyvinuty na datech z let 2014 - 2016 a testovány jsou na datech z let 2017 - 2018. Přesnost předpovědí je vyhodnocena jako odmocnina střední čtvercové chyby (RMSE) a statistická významnost rozdílu dvou různých předpovědí je určena pomocí Diebold-Mariano test. Modely jsou porovnány s Naivní předpovědí a mezi sebou navzájem. Přestože ceny elektřiny vykazují velmi specifické chování, použité metody jsou relevantní i pro predikci jiných finančních časových řad.

Abstract:

The main focus of this thesis is a comparison of models for Nord Pool day-ahead electricity price prediction. Classical econometric models Reg-(S)ARIMA(-GARCH) and machine learning models SVR and LSTM are used to model and forecast of electricity price in the bidding areas NO2 (Norway) and DK1 (Denmark). The thesis contains analysis of electricity market in both of the countries and based on the local specifics, it explores potential contribution of exogenous variables such as air temperature, precipitation, wind speed, fossil fuels price, hydro reservoir levels and electricity consumption. The models are developed on data in years 2014 - 2016 and tested on data in years 2017 - 2018. Forecast accuracy is evaluated as Root Mean Square Error (RMSE) and statistical significance of the difference between two separate forecasts is determined based on Diebold-Mariano test. The models are compared to a Naive forecast and among each other. Even though electricity prices show very specific behaviour, the used methods are relevant even for prediction of other financial time series.

Keywords

elektřina, časové řady, predikce, ARIMA, SVR, LSTM, strojové učení

Keywords

electricity, time series, machine learning, ARIMA, LSTM, SVR, forecasting

Language used: English

Date on which the thesis was submitted / produced: 5. 1. 2018

Thesis defence

• Date of defence: 5. 9. 2019
• Supervisor: Milan Fičura
• Reader: Karel Janda

Vysoká škola ekonomická v Praze

Master programme / field:
Finance a účetnictví / Finanční inženýrství