| Summary: | Nord-Norges rike ressurser på vann- og vindkraft, i kombinasjon med historisk sett lave og stabile kraftpriser har gjort det til et attraktivt område for kraftkrevende industri. Til tross for dette, har prisen og volatiliteten økt de siste par årene, noe som har skapt problemer for forutsigbarhet og lønnsomhet tilknyttet industrier sterkt avhengig av kraftprisen. Denne masteravhandlingen foreslår måter å imøtekomme denne uforutsigbarheten på, ved bruk av kraftpris-prediktive modeller og modellassistert optimering for produksjon av grønt hydrogen. Oppgaven sammenligner to fremstående metoder for prediksjon av kraftpriser: tradisjonelle statistiske metoder, representert av ARMA-modeller, og maskinlæringsteknikker, spesifikt LSTM rekurrente nevrale nettverk. Oppgavens mest effektive statistiske metode, ARMAX-GARCH, oppnådde en RMSE og MAE på 14,56 og 6,46 øre/kWt. Av de undersøkte maskinlæringsteknikkene, oppnådde Seq2Seq-LSTM sterkt forbedret resultater med RMSE og MAE på 6,43 og 2,1 øre/kWt. Dette ble observert i løpet av en testperiode fra 2016 til 2023, ved bruk av femdagersprediksjoner. I tillegg til dette, viser studien en reduksjon i RMSE på 53%, ved å legge til Seq2Seq-arkitektur til en LSTM-struktur for femdagersprediksjoner i kraftprisområdet NO4. For å overføre disse modellene inn i en praktisk økonomisk kontekst for kraftkrevende industrier, ble en produksjonscase for hydrogen skapt ved bruk av Mixed Integer Programming. Her ble modellenes økonomiske påvirkninger sammenlignet med et baseline-scenario som antar konstant daglig produksjon av hydrogen. Den modelassisterte optimeringen søker etter å flytte hydrogenproduksjon, basert på de prediktive modellenes evne til å identifisere de mest kostnadseffektive produksjonsdagene innenfor en arbeidsuke. Studien viser at en Seq2Seq-LSTM assistert optimering resulterte i besparelser på 9,44%, mens ARMAX-GARCH modellen resulterte i besparelser på 1,81% for en produksjonsperiode på åtte uker. Konkluderende foreslår vi en hybrid KI-løsning som kombinerer et ...
|
|---|