Electricity needs to be consumed when it is produced, making sure that supply closely meets demand at all times. To account for the rapidly changing operational status and the need for increasing the flexibility of power systems, financial instruments have been put in place creating markets where electricity is traded as a commodity across different time frames; from months or days to minutes before, or even after, planned delivery. In this work, the focus is placed on the short-term electricity markets and particularly on forecasting the intraday volume-weighted average price of the last three hours of trading of hourly power products. To this end, two state-of-the-art recurrent neural network architectures, namely the Temporal Fusion Transformer and the DeepAR network, are compared against well-established statistical models, such as the Linear Regression, ARX and SARIMAX models, with respect to their forecast accuracy on each of the 24 hourly delivery products. Two different experimental setups are applied, with one utilizing two input features drawn specifically from the findings of relevant literature and the other blindly exploiting all available streams of information in either their raw or aggregated form. All models are trained individually per hourly product per experimental setup to support a fair and decisive comparison, leading to 240 unique model instances being trained in total. Furthermore, the input feature importance is inferred by exploiting the inbuilt attention mechanism of the Temporal Fusion Transformer architecture. Finally, by using various realworld historical market data originating from the Nord Pool power exchange as well as from the Svenska Kraftnät, available up until the day of delivery, it is shown that the statistical models outperform both contemporary neural network architectures, with the latter suffering from the inability to generalize to elevated price levels—which are absent from the training dataset.

El måste förbrukas när den produceras, och se till att utbudet alltid motsvarar efterfrågan. För att ta hänsyn till den snabbt föränderliga operativa statusen och behovet av att öka flexibiliteten i kraftsystemen har finansiella instrument införts för att skapa marknader där el handlas som en vara över olika tidsramar; från månader eller dagar till minuter före, eller till och med efter, planerad leverans. I detta arbete läggs fokus på de kortsiktiga elmarknaderna och särskilt på att prognostisera det intradagsvolymvägda genomsnittspriset för de senaste tre timmarnas handel med timkraftprodukter. För detta ändamål jämförs två toppmoderna återkommande neurala nätverksarkitekturer, nämligen Temporal Fusion Transformer och DeepAR-nätverket, mot väletablerade statistiska modeller, såsom modellerna Linear Regression, ARX och SARIMAX, med avseende på deras prognosnoggrannhet för var och en av 24-timmarsleveransprodukterna. Två olika experimentella uppsättningar tillämpas, där den ena använder två indatafunktioner som hämtats specifikt från resultaten av relevant litteratur och den andra utnyttjar blint alla tillgängliga informationsströmmar i antingen deras råa eller aggregerade form. Alla modeller tränas individuellt per timprodukt per experimentuppställning för att stödja en rättvis och avgörande jämförelse, vilket leder till att 240 unika modellinstanser tränas totalt. Dessutom härleds ingångsfunktionens betydelse genom att utnyttja den inbyggda uppmärksamhetsmekanismen i Temporal Fusion Transformer-arkitekturen. Slutligen, genom att använda olika verkliga historiska marknadsdata från elbörsen Nord Pool såväl som från Svenska Kraftnät, tillgängliga fram till leveransdagen, visas att de statistiska modellerna överträffar både moderna neurala nätverksarkitekturer, med sistnämnda lider av oförmågan att generalisera till förhöjda prisnivåer — som saknas i utbildningsdataset.