Benchmarking models for very short-term forecasting of imbalance price in the italian electricity market

The increasing integration of non-programmable renewable energy sources has made the management of power grid balancing increasingly complex. In the Italian context, a major shift has occurred regarding the management and economic valuation of grid balancing resources, creating new opportunities for market operators to exploit their flexibility. In this new scenario, driven by the introduction of the TIDE reform (Testo Integrato del Dispacciamento Elettrico), having an accurate, real-time forecast of the imbalance price becomes therefore relevant for optimizing market strategies. This work aims to develop and compare different models for the near real-time forecasting of imbalance prices in the Italian electricity market. To this end, five algorithms have been implemented and compared: Lasso Estimated AutoRegressive (LEAR), Random Forest (RF), eXtreme Gradient Boosting (XGBoost), Support Vector Regression (SVR), and Long Short-Term Memory (LSTM). The experimental results demonstrate that XGBoost achieves the highest accuracy with a MAE of 43.77 €/MWh and an sMAPE of 43.57%. Meanwhile, Random Forest proves to be the most effective in managing price volatility, achieving the best RMSE of 65.91 €/MWh and an R2 of 0.39. Finally, all implemented models would allow market operators to significantly increase profitability by making intentional imbalances based on price forecasts, a practice that remains strictly prohibited by Italian market regulations.

La crescente integrazione delle fonti rinnovabili non programmabili ha reso la gestione del bilanciamento della rete elettrica sempre più complessa. Nel contesto italiano è avvenuto un importante cambiamento per quanto riguarda la gestione e la valorizzazione economica delle risorse di bilanciamento della rete, creando nuove opportunità per gli operatori di mercato di sfruttare la propria flessibilità. In questo nuovo scenario, guidato dall’introduzione della riforma TIDE (Testo Integrato del Dispacciamento Elettrico), disporre di una previsione accurata e in tempo reale del prezzo di sbilanciamento diventa quindi rilevante per ottimizzare le strategie di mercato. Questo lavoro si pone l’obiettivo di sviluppare e confrontare diversi modelli per la previsione vicina al tempo reale dei prezzi di sbilanciamento nel mercato elettrico italiano. A tal fine, sono stati implementati e confrontati cinque algoritmi: Lasso Estimated AutoRegressive (LEAR), Random Forest (RF), eXtreme Gradient Boosting (XGBoost), Support Vector Regression (SVR) e Long Short-Term Memory (LSTM). I risultati sperimentali dimostrano che XGBoost ottiene la massima accuratezza con un MAE di 43,77 €/MWh e uno sMAPE del 43,57%. Al contempo, Random Forest si dimostra il più efficace nella gestione della volatilità dei prezzi, ottenendo il miglior RMSE pari a 65,91 €/MWh e un R2 di 0,39. Infine, tutti i modelli implementati permetterebbero agli operatori di mercato di aumentare significativamente la redditività effettuando sbilanciamenti intenzionali basati sulle previsioni di prezzo, una pratica che rimane espressamente vietata dalle normative del mercato italiano.