Tilbake til søkeresultatene

ENERGIX-Stort program energi

Machine Learning Models for the Surveillance of Physical Power Markets

Alternativ tittel: Maskinlæringsmodeller for overvåkning av fysiske kraftmarkedene

Tildelt: kr 4,7 mill.

Prosjektnummer:

282395

Prosjektperiode:

2018 - 2021

Midlene er mottatt fra:

Geografi:

Et kritisk, men ofte oversett krav til kraftmarkeder er transparens. Et marked som ikke er transparent, kan bli utsatt for manipulasjon. Dette reduserer markedseffektiviteten, offentlig tillit, og til slutt medfører en samfunnsøkonomiske kostnad. I vårt prosjekt, prosjekt HAWK, utvikler vi maskininnlæringsmodeller for den daglige overvåkingen av fysiske kraftmarkeder. De utviklede modellene og programvaren vil bli designet til å kjøre automatisk og brukes av kraftmarkedsregulatorer som NVE, markedsoperatører, meglere og TSOer i deres daglige overvåkingsaktiviteter, og av markedsaktører som handler i fysiske markeder for å overvåke og regulere egne handelsaktiviteter. I tillegg og som en del av prosjektet vil flere av varslingsmetodene utviklet testes av NVE som en del av deres overvåkningsaktiviteter. Basert på intervjuer med regulatorer og markedsaktører, samt vurderinger av markedsovervåknings praksis samt litteraturen, har vi identifisert flere lovende forskningsområder vi jobber med. Den første av disse er automatisering - å utvikle ML-metoder for å replikere overvåknings analyse gjennomført manuelt i dag, for å øke nøyaktigheten og hastigheten. Den andre er ML-metoder til identifisere avvik i individuell aktorenes budgivnings- og markedsadferd. Den tredje er ML-metoder for å forutsi individuelle aktørers evne til å påvirke eller manipulere markedet. Forskningsarbeidet startet i 1. kvartal 2019 og vil fortsette til 2021. Vårt fokus i 2020 har vært på å identifisere avvik i aktorenes budene og markedsresultater. Det har gitt svært lovende resultater og nå implementeres hos NVE til testing. I resten av prosjektet vil vi fokusere på å identifisere perioder hvor enkelte aktørene har største påvirkning på markedet og overvåkningsalerts baserte på dette.

The goal of our project is the development and implementation in software of machine learning models for the operative surveillance of physical power markets. The developed models and software will be designed to run automatically and be used by power market regulators such as NVE, market operators, brokers and TSOs in their daily surveillance activities in physical power markets, and by market actors trading in physical markets to monitor and regulate their own trading activities. Power markets often exhibit low elasticity of demand. In combination with large and flexible power storages (e.g. hydro power and, increasingly, batteries in combination with renewables) this results in market places that are particularly vulnerable to abuse. Surveillance of markets with high renewable and storage penetration is especially complex and difficult. Auction markets where all participants face the same price may be particularly exposed, especially in periods with congestion. Currently, most models and tools used for market surveillance in the power market based on sets of rules used to define market abuse scenarios. Rule-based approaches have several weaknesses, such as a tendency to produce large volumes of alerts, an inability to assess and priories the alerts produced, and difficulty in catching new behaviours. Machine learning is well suited for such monitoring, and can execute much more effectively than rules alone. The monitoring will be more automated, produce more relevant alerts (and fewer false positives) and enable users to detect market behavior that would otherwise be obscured. Such tools will also be more robust, since they will be less dependent on specific persons. This will in turn enable more effective and efficient mitigating actions to be planned and and taken, increasing the transparency and efficiency of the power system, especially given increased use of storage and renewable generation.

Aktivitet:

ENERGIX-Stort program energi