Robust and fast multi-market optimization

Energi handles i ulike energimarkeder for å bidra til å balansere energien i kraftsystemet. Kraftselskaper må bestemme hvilke markeder de skal handle i for å sikre best mulig utnyttelse av energien. Dette kalles "Multi-Market Optimization." Utfordringen er å forutsi hvor mye strøm som vil bli produsert og hva prisene vil være i disse ulike markedene, ofte med planlegging for neste dag eller til og med flere uker fremover. For store selskaper er dette svært viktig—hver dag står hundrevis av millioner norske kroner på spill. Det vanskelige er at dette problemet er veldig komplekst, og løsningene må være pålitelige, selv når ting ikke går helt som planlagt. Det kan oppstå uventede endringer i data eller feil i modellene som brukes, så man trenger metoder som fortsatt kan finne gode løsninger til tross for slike utfordringer. Det finnes to hovedmetoder for å takle Multi-Market Optimization: tradisjonelle optimaliseringsalgoritmer og maskinlæring (ML). Tradisjonelle algoritmer er som å bruke en kalkulator—de fungerer, men kan være for trege til å henge med i de raske energimarkedene. På den andre siden kan maskinlæring være mye raskere og ofte finne bedre løsninger. Men ML-metoder har en stor ulempe—de er ikke alltid pålitelige, spesielt når ting endrer seg uventet. Dette prosjektet handler om å lukke dette gapet. Målet er å utvikle nye metoder som både er raske og pålitelige, slik at kraftselskaper kan ta smartere, raskere beslutninger uten å bekymre seg for markedets uforutsigbarhet.

Multi-Market Optimization is an optimization problem where actors in the energy domain attempt to maximize their profits by participating in several energy markets. To do Multi-Market Optimization, market actors must model future power production or consumption and prices in all markets. The problem is very complex and for big actors it involves hundreds of MNOK every day, so it is important that methods for solving the problem are robust. In this case, robust refers to the method's ability to find good solutions even when facing uncertainty, variation in input data and modeling errors. Current approaches to Multi-Market Optimization can be divided into traditional optimization algorithms and Machine Learning methods. The traditional optimization algorithms finds solutions to slowly to have any practical value, and the Machine Learning methods are known to lack robustness. Machine Learning methods have been shown to be able to outperform the traditional optimization algorithms in many cases, but the limited robustness means that the value for industrial actors remains low. The project aims to fill this gap by developing methods for Multi-Market Optimization that are both robust and fast.