Forecasting models for day-ahead electricity prices usually learn from historical prices and forecasts of demand and renewable generation, while fundamental models describe the mechanism through which the price is formed. This thesis combines the two for the German day-ahead market and asks whether the point where forecast demand meets a constructed supply curve, and the shape of the curve around that point, improve forecasts of price spikes. In particular, we propose a novel approach which extracts this implicit information from the merit order and adds these features to a machine learning model. We find that they provide a significant reduction in the error of spike forecasts at no cost to ordinary price prediction. Part of this gain comes from the geometry of the curve, above all from the location of the clearing point and the slope around it. A separate correction for the most expensive hours lowers their error further but proves reliable only in certain price regimes. A merit order calibrated on past prices is thus a useful complement to the standard inputs for forecasting extreme electricity prices and provides a straightforward and explainable new direction for electricity price modeling. Moreover, this approach fills a gap left by the classical merit order principle, extending it as an explainable driver of electricity prices in Germany.

I modelli di previsione dei prezzi dell'energia elettrica del mercato del giorno prima (day-ahead) di solito apprendono dai prezzi storici e dalle previsioni della domanda e della generazione da fonti rinnovabili, mentre i modelli fondamentali descrivono il meccanismo attraverso cui il prezzo si forma. Questa tesi combina i due approcci per il mercato day-ahead tedesco e si chiede se il punto in cui la domanda prevista incontra una curva di offerta costruita, e la forma della curva intorno a tale punto, migliorino le previsioni dei picchi di prezzo. In particolare, proponiamo un nuovo approccio che estrae questa informazione implicita dal merit order e aggiunge tali feature a un modello di machine learning. Riscontriamo che esse forniscono una riduzione significativa dell'errore nelle previsioni dei picchi senza alcun costo per la previsione ordinaria dei prezzi. Parte di questo guadagno deriva dalla geometria della curva, soprattutto dalla posizione del punto di clearing e dalla pendenza intorno a esso. Una correzione separata per le ore più costose ne riduce ulteriormente l'errore, ma si rivela affidabile solo in determinati regimi di prezzo. Un merit order calibrato sui prezzi passati costituisce quindi un utile complemento agli input standard per la previsione dei prezzi estremi dell'energia elettrica e offre una nuova direzione semplice e interpretabile per la modellazione dei prezzi dell'elettricità nel mercato del day-ahead. Inoltre, questo approccio colma una lacuna lasciata dal principio classico del merit order, estendendolo come driver spiegabile dei prezzi dell'energia elettrica in Germania.

Geometria del Merit-Order per la Previsione dei Prezzi Estremi dell'Energia Elettrica

MAURO, GIANFRANCO
2025/2026

Abstract

Forecasting models for day-ahead electricity prices usually learn from historical prices and forecasts of demand and renewable generation, while fundamental models describe the mechanism through which the price is formed. This thesis combines the two for the German day-ahead market and asks whether the point where forecast demand meets a constructed supply curve, and the shape of the curve around that point, improve forecasts of price spikes. In particular, we propose a novel approach which extracts this implicit information from the merit order and adds these features to a machine learning model. We find that they provide a significant reduction in the error of spike forecasts at no cost to ordinary price prediction. Part of this gain comes from the geometry of the curve, above all from the location of the clearing point and the slope around it. A separate correction for the most expensive hours lowers their error further but proves reliable only in certain price regimes. A merit order calibrated on past prices is thus a useful complement to the standard inputs for forecasting extreme electricity prices and provides a straightforward and explainable new direction for electricity price modeling. Moreover, this approach fills a gap left by the classical merit order principle, extending it as an explainable driver of electricity prices in Germany.
2025
Merit-Order Geometry for Extreme Electricity Price Forecasting
I modelli di previsione dei prezzi dell'energia elettrica del mercato del giorno prima (day-ahead) di solito apprendono dai prezzi storici e dalle previsioni della domanda e della generazione da fonti rinnovabili, mentre i modelli fondamentali descrivono il meccanismo attraverso cui il prezzo si forma. Questa tesi combina i due approcci per il mercato day-ahead tedesco e si chiede se il punto in cui la domanda prevista incontra una curva di offerta costruita, e la forma della curva intorno a tale punto, migliorino le previsioni dei picchi di prezzo. In particolare, proponiamo un nuovo approccio che estrae questa informazione implicita dal merit order e aggiunge tali feature a un modello di machine learning. Riscontriamo che esse forniscono una riduzione significativa dell'errore nelle previsioni dei picchi senza alcun costo per la previsione ordinaria dei prezzi. Parte di questo guadagno deriva dalla geometria della curva, soprattutto dalla posizione del punto di clearing e dalla pendenza intorno a esso. Una correzione separata per le ore più costose ne riduce ulteriormente l'errore, ma si rivela affidabile solo in determinati regimi di prezzo. Un merit order calibrato sui prezzi passati costituisce quindi un utile complemento agli input standard per la previsione dei prezzi estremi dell'energia elettrica e offre una nuova direzione semplice e interpretabile per la modellazione dei prezzi dell'elettricità nel mercato del day-ahead. Inoltre, questo approccio colma una lacuna lasciata dal principio classico del merit order, estendendolo come driver spiegabile dei prezzi dell'energia elettrica in Germania.
Merit-Order
Machine Learning
Power Markets
File in questo prodotto:
File Dimensione Formato  
Thesis-PDFA-2b.pdf

Accesso riservato

Dimensione 6.35 MB
Formato Adobe PDF
6.35 MB Adobe PDF

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/115846