Forecast-driven bidding strategies in the finnish day-ahead and capacity reserve electricity markets

Electricity markets have become increasingly volatile due to the growing use of renewable energy sources and geopolitical shifts. To achieve a balance between consumption and production, techniques such as peak clapping and, more recently, demand response programs have been employed. These programs have gained traction with the increased size of ancillary services, otherwise known as capacity reserve markets. Demand response programs request companies or even groups of citizens to modify their consumption to stabilize the grid. Indeed, even the commitment, represented by the hourly bid, can result in financial gain. This thesis presents a methodology for transforming environmental data into forecast key variables, which are then employed to create bidding strategies for the Finnish day-ahead electricity market and the capacity reserve ones. To implement an effective bidding strategy, the bidder should have access to energy storage and a machine with the capacity to consume sufficient energy to meet peak demand. Three configurations of storage and machine have been chosen, and two bidding strategy techniques were compared: linear programming and reinforcement learning. The study identified the key market-influencing inputs, which were primarily weather data in critical locations across the country. Furthermore, the impact of data inaccuracies, particularly concerning consumption data, was investigated, to determine their potential effects on the safety of energy storage hardware. Therefore, the two bidding strategy techniques were compared, with a focus on the total profits generated and the patterns of storage management. The linear optimization technique produced the highest profits overall, though it risked compromising storage safety by frequently operating at the system's limits. In contrast, some reinforcement learning models demonstrated the capacity to maintain a safer distance from those limits, operating at a more conservative level. Although reinforcement learning models generally produce lower profits, they offer the advantage of adaptive, dynamic responses to market conditions, which is essential for managing the unpredictable nature of renewable energy sources.

I mercati elettrici sono diventati sempre più volatili a causa del crescente utilizzo di fonti di energia rinnovabili e dei cambiamenti geopolitici. Per raggiungere un equilibrio tra consumo e produzione, vengono utilizzate tecniche come il peak clapping e, più recentemente, programmi di domanda-risposta. Questi programmi sono diventati sempre più importanti con l'espansione dei servizi ancillari. I programmi di domanda-risposta chiedono ai partecipanti di modificare i propri consumi per stabilizzare la rete. In effetti, anche la promessa, rappresentata dall'offerta, può portare a un guadagno finanziario. Questa tesi presenta una metodologia per trasformare i dati ambientali in variabili chiave di previsione, che vengono poi utilizzate per creare strategie di offerta per il mercato elettrico finlandese e i mercati ancillari. Per implementare una strategia efficace, l'offerente deve avere accesso a uno strumento di conservazione dell'energia e a un sistema con la capacità di consumare energia sufficiente a soddisfare la domanda di picco. Sono state scelte tre configurazioni di accumulatori e macchine e sono state confrontate due tecniche di strategia di offerta: la programmazione lineare e reinforcement learning. Lo studio ha identificato i fattori chiave che influenzano il mercato, in primo luogo i dati meteorologici in località critiche del Paese. Inoltre, è stato analizzato l'impatto delle imprecisioni dei dati, in particolare dei dati di consumo, per determinare i loro potenziali effetti sulla sicurezza dell'hardware usato. Sono state quindi confrontate le due tecniche di strategia di offerta, con particolare attenzione ai profitti totali generati e ai pattern per la gestione dell'accumulo di energia. La tecnica di ottimizzazione lineare ha prodotto i profitti più elevati in assoluto, anche se rischiava di compromettere la sicurezza dell'accumulatore operando spesso ai limiti del sistema. Al contrario, alcuni modelli di reinforcement learning hanno dimostrato la capacità di mantenere una distanza più sicura da tali limiti, operando a un livello più conservativo. Sebbene i modelli di reinforcement learning producano generalmente profitti inferiori, offrono il vantaggio di risposte adattive e dinamiche alle condizioni di mercato, essenziali per gestire la natura imprevedibile delle fonti di energia rinnovabili.