Short-term forecasting of power demand in the Nord Pool market

Sähkönkulutuksen lyhyen aikavälin ennustamista on tutkittu jo pitkään. Pohjoismaisien sähkömarkkinoiden vapautuminen on vaikuttanut sähkönkulutuksen ennustamiseen. Aluksi työssä perehdyttiin aiheeseen liittyvään kirjallisuuteen. Sähkönkulutuksen käyttäytymistä tutkittiin eri aikoina. Lämpötila tilastojen käyttökelpoisuutta arvioitiin sähkönkulutusennustetta ajatellen. Kulutus ennusteet tehtiin tunneittain ja ennustejaksona käytettiin yhtä viikkoa. Työssä tutkittiin sähkönkulutuksen- ja lämpötiladatan saatavuutta ja laatua Nord Poolin markkina-alueelta. Syötettävien tietojen ominaisuudet vaikuttavat tunnittaiseen sähkönkulutuksen ennustamiseen. Sähkönkulutuksen ennustamista varten mallinnettiin kaksi lähestymistapaa. Testattavina malleina käytettiin regressiomallia ja autoregressiivistä mallia (autoregressive model, ARX). Mallien parametrit estimoitiin pienimmän neliösumman menetelmällä. Tulokset osoittavat että kulutus- ja lämpötiladata on tarkastettava jälkikäteen koska reaaliaikaisen syötetietojen laatu on huonoa. Lämpötila vaikuttaa kulutukseen talvella, mutta se voidaan jättää huomiotta kesäkaudella. Regressiomalli on vakaampi kuin ARX malli. Regressiomallin virhetermi voidaan mallintaa aikasarjamallia hyväksikäyttäen.

The short-term forecasting of power demand has been studied over a long period of time. The deregulated electricity market in the Nordic countries is used as input in the load forecasts. The thesis begins with a survey of the literature. The behaviour of the load is studied. The suitability of temperature data for usage in load forecasts is evaluated. Load forecasts are made on an hourly basis for a forecast period of one week. The thesis studies the availability and the quality of the load and the temperature data from the Nord Pool market. The properties and the qualities of the data have an impact on the construction of the hourly load forecasts. Two approaches to load forecasting are modelled. The regression model and the autoregressive (ARX) model are tested. The least-square method was used for the estimation of the parameters. The results show that the load and the temperature data has to be checked afterwards because of the poor quality of the online input data. The temperature is affecting the load in the winter but the temperature factor can be excluded in the summer. The regression model is more robust than the ARX model. The error term of the regression model can be modelled with the time-series model.