Developing multi-market forecasting and bidding strategy for battery energy storage systems in Finnish reserve market : data-driven approach
Paavola, Tommi (2025)
2025
Ympäristö- ja energiatekniikan DI-ohjelma - Programme in Environmental and Energy Engineering
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences
Hyväksymispäivämäärä
2025-10-29
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-2025102910195
https://urn.fi/URN:NBN:fi:tuni-2025102910195
Tiivistelmä
The consistent balance of production and consumption is necessary to maintain reliable electric grid operation. Lack of balance produces deviations from nominal grid frequency, eventually leading to a grid shutdown if imbalances are not compensated in time. Compensation is handled via ancillary services, where trading is performed for readiness to respond rather than energy. Finnish ancillary services are procured from the reserve market, a marketplace with separate market products, each designed for a different purpose. Recently, the demand for reserves has grown due to a surge of renewable production and a subsequent loss of inertia among other factors, with battery energy storage systems (BESS) emerging as a prevalent technology to meet this need.
This thesis developed a data-driven multi-market forecasting and bidding strategy for BESS in Finnish reserve markets. The strategy predicts prices for the next market day and optimizes a forecast-based bid, handling both activation uncertainties and market rules. A price time series analysis, feature-price correlation study, technical feasibility analysis of BESS, and a literature review of earlier works were conducted.
Price behaviour differs across markets, with some exhibiting little temporal structure and others showing distinct patterns. Strong links between lagged market conditions and prices were found for all markets. Prevalent features include these lagged conditions, SPOT market data, interconnector electricity flows, and Nordic hydropower.
Data-driven complex forecasters performed best overall, with ML models, particularly GBDT, being most accurate. MAE and RMSE ranged between 0.9-8.5 €/MW and 3.4-18.2 €/MW. Simpler forecasters not leveraging external data improved over the naive price persistence assumption but were less accurate. Best improvements appeared in FFR, FCR-D and aFRRup markets, while those in FCR-N and aFRRdown were smaller.
Forecast use for bidding achieved large monetary gains in the simulated test period. A 10 MW / 10 MWh BESS accrued an income of 1 104 k€ over a 5-month test period, a 19.4 % growth over the naive approach. Using the simple forecaster grew income by 9.2 % over the naive. The complex forecaster’s largest gains stemmed from FCR-D(D) markets, due to strong spike prediction ability.
Strategy operational feasibility was good, with adequate optimization time and limited need for daily SoC adjustment. A 0.15 MW backup power per 1 MW of reserve bids was sufficient for adjustments. Some data availability concerns remain due to early market gate closures, with possible solutions proposed, but left for future research. Tuotannon ja kulutuksen jatkuva tasapaino on välttämätöntä sähköverkon toiminnan takaamiseksi. Tasapainon puute johtaa taajuusmuutoksiin aiheuttaen pahimmillaan verkon kaatumisen, jos kompensointia ei tehdä ajoissa. Kompensointi tapahtuu verkon tuentaratkaisuilla, joissa tarjottava palvelu on reagointivalmius. Suomessa tuentaa hankitaan reservimarkkinoilta, joiden eri markkinatuotteet on suunniteltu vastaamaan tietynlaisiin tilanteisiin. Viime vuosina markkinoiden kysyntä on kasvanut uusiutuvan energian kasvun myötä. Akkuenergiavarastot ovat nousseet keskeiseksi teknologiaksi nousseen kysynnän kattamisessa.
Tässä diplomityössä kehitettiin tietopohjainen monimarkkinaennuste- ja tarjoamisstrategia akkuvarastolle Suomen reservimarkkinoilla. Strategia ennustaa seuraavan päivän markkinahintoja ja optimoi tarjouksen ennusteisiin perustuen ottaen huomioon sekä aktivointiin liittyvät epävarmuudet että markkinasäännöt. Työssä toteutettiin hintojen aikasarja-analyysi, muuttujien ja hinnan korrelaatiotutkimus, akkuvarastoteknologioiden tekninen tarkastelu reservivaatimusten näkökulmasta ja kirjallisuuskatsaus aiempiin tutkimuksiin.
Hintojen käyttäytyminen vaihtelee markkinoittain. Joillain markkinoilla esiintyy vain vähän aikariippuvaa johdonmukaisuutta, kun taas toisilla hintaprofiilit ovat selkeitä. Vahviten hinnan kanssa korreloivat muuttujat liittyivät viimeaikaiseen reservimarkkinatilanteseen, SPOT-markkinatietoon, siirtoyhteyksien käyttöön ja pohjoismaiseen vesivoimaan.
Tietopohjaiset monimutkaiset ennusteet suoriutuivat parhaiten ja koneoppimismallit, erityisesti GBDT, korostuivat. MAE- ja RMSE-arvot vaihtelivat välillä 0,9-8,5 €/MW ja 3,4-18,2 €/MW. Yksinkertaisemmat, pelkkään hintatietoon pohjautuvat ennusteet olivat naiivia pysyvyysoletusta tarkempia, mutta hävisivät tarkkuudessa monimutkaisille ennusteille. Suurimmat parannukset naiviin ennusteeseen verrattuna saavutettiin FFR-, FCR-D- ja aFRRup-markkinoilla, kun taas FCR-N- ja aFRRdown-markkinoilla parannukset olivat pienempiä.
Ennusteiden käyttö tarjoamisessa saavutti simuloidulla testijaksolla merkittäviä taloudellisia hyötyjä. 10 MW / 10 MWh:n akkuvarasto keräsi 1 104 k€ kassavirtaa 5 kuukauden testijakson aikana, vastaten 19,4 %:n kasvua naiviin lähestymistapaan verrattuna. Yksinkertaisen ennusteen käyttö kasvatti kassavirtaa 9,2 %. Monimutkaisen ennusteen suuremmat tuotot perustuivat suurilta osin FCR-D(D)-markkinoiden hintapiikkien ennustamiskykyyn.
Strategian käytännön toteutettavuus oli hyvä. Optimointiaika oli riittävän lyhyt ja päivittäisen varaustason hallinnan tarve rajallinen. 0,15 MW:n varateho riitti kattamaan 1 MW:n tarjotun tehon aiheuttamat hallintatarpeet. Satunnaisia datan saatavuuteen liittyviä epävarmuuksia on kuitenkin havaittavissa markkinoiden aikatauluista johtuen. Mahdollisia ratkaisuja esitettiin, mutta niiden toteuttavuuden tarkempi arvointi jätettiin tarkastelun ulkopuolelle.
This thesis developed a data-driven multi-market forecasting and bidding strategy for BESS in Finnish reserve markets. The strategy predicts prices for the next market day and optimizes a forecast-based bid, handling both activation uncertainties and market rules. A price time series analysis, feature-price correlation study, technical feasibility analysis of BESS, and a literature review of earlier works were conducted.
Price behaviour differs across markets, with some exhibiting little temporal structure and others showing distinct patterns. Strong links between lagged market conditions and prices were found for all markets. Prevalent features include these lagged conditions, SPOT market data, interconnector electricity flows, and Nordic hydropower.
Data-driven complex forecasters performed best overall, with ML models, particularly GBDT, being most accurate. MAE and RMSE ranged between 0.9-8.5 €/MW and 3.4-18.2 €/MW. Simpler forecasters not leveraging external data improved over the naive price persistence assumption but were less accurate. Best improvements appeared in FFR, FCR-D and aFRRup markets, while those in FCR-N and aFRRdown were smaller.
Forecast use for bidding achieved large monetary gains in the simulated test period. A 10 MW / 10 MWh BESS accrued an income of 1 104 k€ over a 5-month test period, a 19.4 % growth over the naive approach. Using the simple forecaster grew income by 9.2 % over the naive. The complex forecaster’s largest gains stemmed from FCR-D(D) markets, due to strong spike prediction ability.
Strategy operational feasibility was good, with adequate optimization time and limited need for daily SoC adjustment. A 0.15 MW backup power per 1 MW of reserve bids was sufficient for adjustments. Some data availability concerns remain due to early market gate closures, with possible solutions proposed, but left for future research.
Tässä diplomityössä kehitettiin tietopohjainen monimarkkinaennuste- ja tarjoamisstrategia akkuvarastolle Suomen reservimarkkinoilla. Strategia ennustaa seuraavan päivän markkinahintoja ja optimoi tarjouksen ennusteisiin perustuen ottaen huomioon sekä aktivointiin liittyvät epävarmuudet että markkinasäännöt. Työssä toteutettiin hintojen aikasarja-analyysi, muuttujien ja hinnan korrelaatiotutkimus, akkuvarastoteknologioiden tekninen tarkastelu reservivaatimusten näkökulmasta ja kirjallisuuskatsaus aiempiin tutkimuksiin.
Hintojen käyttäytyminen vaihtelee markkinoittain. Joillain markkinoilla esiintyy vain vähän aikariippuvaa johdonmukaisuutta, kun taas toisilla hintaprofiilit ovat selkeitä. Vahviten hinnan kanssa korreloivat muuttujat liittyivät viimeaikaiseen reservimarkkinatilanteseen, SPOT-markkinatietoon, siirtoyhteyksien käyttöön ja pohjoismaiseen vesivoimaan.
Tietopohjaiset monimutkaiset ennusteet suoriutuivat parhaiten ja koneoppimismallit, erityisesti GBDT, korostuivat. MAE- ja RMSE-arvot vaihtelivat välillä 0,9-8,5 €/MW ja 3,4-18,2 €/MW. Yksinkertaisemmat, pelkkään hintatietoon pohjautuvat ennusteet olivat naiivia pysyvyysoletusta tarkempia, mutta hävisivät tarkkuudessa monimutkaisille ennusteille. Suurimmat parannukset naiviin ennusteeseen verrattuna saavutettiin FFR-, FCR-D- ja aFRRup-markkinoilla, kun taas FCR-N- ja aFRRdown-markkinoilla parannukset olivat pienempiä.
Ennusteiden käyttö tarjoamisessa saavutti simuloidulla testijaksolla merkittäviä taloudellisia hyötyjä. 10 MW / 10 MWh:n akkuvarasto keräsi 1 104 k€ kassavirtaa 5 kuukauden testijakson aikana, vastaten 19,4 %:n kasvua naiviin lähestymistapaan verrattuna. Yksinkertaisen ennusteen käyttö kasvatti kassavirtaa 9,2 %. Monimutkaisen ennusteen suuremmat tuotot perustuivat suurilta osin FCR-D(D)-markkinoiden hintapiikkien ennustamiskykyyn.
Strategian käytännön toteutettavuus oli hyvä. Optimointiaika oli riittävän lyhyt ja päivittäisen varaustason hallinnan tarve rajallinen. 0,15 MW:n varateho riitti kattamaan 1 MW:n tarjotun tehon aiheuttamat hallintatarpeet. Satunnaisia datan saatavuuteen liittyviä epävarmuuksia on kuitenkin havaittavissa markkinoiden aikatauluista johtuen. Mahdollisia ratkaisuja esitettiin, mutta niiden toteuttavuuden tarkempi arvointi jätettiin tarkastelun ulkopuolelle.