Electricity price forecasting is a rapidly advancing field, driven by progress in datascience, the increasing necessity for accurate predictions due to global events, and the risingshare of variable renewable energy resources. This paper aims to forecast the hourlyelectricity prices for December 2023 in the Swedish bidding zone SE1 in the day-ahead andintraday electricity markets. First, a literature review of various forecasting methods isconducted. Then, three models - Auto-regressive Integrated Moving Average (ARIMA), LongShort-Term Memory (LSTM) recurrent neural network, and the Temporal Fusion Transformer(TFT) - are implemented. Performance of these models is evaluated based on their meanabsolute percentage error (MAPE), mean square error (MSE), and root mean square error(RMSE). In addition to price data, the models incorporate other external variables ascovariates, which are tested for each model and market, and included if found useful. TheLSTM model provides the lowest MAPE for day-ahead prices. The TFT achieves a lowerMSE and RMSE for day-ahead prices by better capturing price peaks. ARIMA performscomparably to the LSTM model for day-ahead forecasting. For intraday prices, the LSTMmodel delivers the lowest errors across all metrics. While the TFT captures the overall trend,it performs worse than the LSTM model, and ARIMA fails to produce useful intradaypredictions.

Elprisprognosticering är ett snabbt framåtskridande område som drivs avframsteg inom data science, det ökande behovet av träffsäkra prognoser på grund av globalahändelser, samt den stigande andelen ombytliga förnybara energikällor. I denna rapportprognosticeras timpriset i december 2023 i Sveriges elområde SE1 på dagen före-ochintradagsmarknaderna. Först utförs en litteraturstudie av olika prognosticeringsmetoder.Därefter implementeras tre modeller - Auto-regressive Integrated Moving Average (ARIMA),Long Short-Term Memory (LSTM) recurrent neural network och Temporal FusionTransformer (TFT). Modellernas prestanda utvärderas avseende deras mean absolutepercentage error (MAPE), mean square error (MSE) och root mean square error (RMSE).Utöver prisdata använder modellerna andra externa variabler som covariates. Dessa testasför varje modell och marknad och inkluderas om de bedöms användbara. LSTM ger lägstMAPE för dagen före-priserna. TFT uppnår lägre MSE och RMSE för dagen före-prisernagenom att bättre fånga pristoppar. ARIMA ger jämförbar prestanda mot LSTM på dagen föreprognosticeringen. På intradagspriserna ger LSTM lägst fel enligt alla mått. Även om TFTfångar den övergripande trenden presterar den sämre än LSTM och ARIMA misslyckas attproducera användbara intradagsprognoser.