In the aftermath of the liberalization of European Energy Markets in the 2000s, Power Exchange platforms have constantly evolved towards more integrated and competitive designs, where quality forecasts and effective optimization strategies play decisive roles. This study presents the development of a hydropower scheduling optimization algorithm for the Day-Ahead spot market using Mixed Integer Linear Programming (MILP). This work was supported by the hydro asset management team of ENGIE Global Energy Markets (GEM) located in Brussels.  The model developed is focusing on the optimization of Coindre Hydraulic Power Plant (HPP), located in the highlands of Massif Central in France. With the combined water discharge of its two interconnected reservoirs, Grande-Rhue and Petite-Rhue, the powerhouse can reach up to 36 MW of power output capacity. The two reservoirs are located kilometres apart from each other and have different storage capacities and catchment areas. The reservoirs naturally exchange water due to the level difference along an interconnection pipe. Maximum power output is limited by water level differences in both reservoirs, which makes modelling complicated. These operational constraints are a limiting factor in terms of operability, as a result the scheduling process is a non-trivial task and is time-consuming.  A framing study of the power plant was conducted over a hydraulic year to identify the governing parameters of the model. The multi-reservoir nature of the optimization problem oriented the model development towards a Mixed Integer Linear Formulation. After experimenting with different solvers, Gurobi 28.1.0 was chosen for its performance in the Branch and Cut Algorithm for the power scheduling task.  The performance of the new model has been validated by re-running the model on past production plans, results show that reservoir volume errors are less than 5% of their respective capacities on a 5 days’ time-horizon. After backtesting it was found that the new optimization strategy results in higher revenue for the plant due to the optimized operation at higher average energy prices. The results also bring out the importance of proper valve actuation in the optimization strategy, as well as the need for future studies. / Till följd av liberaliseringen av de europeiska energimarknaderna under 2000-talet har energiföretagen och elbörserna ständigt utvecklats mot mer integrerade och konkurrenskraftiga lösningar, där kvalitetsprognoser och effektiva optimeringsstrategier spelar avgörande roller. Detta examensarbete presenterar utvecklingen av en algoritm för optimering av vattenkraftplaneringen på Day-Ahead elmarknaden med hjälp av en matematisk modell av typen Mixed Integer Linear Programming (MILP). Arbetet initierades av och utfördes hos ENGIE Global Energy Markets (GEM) i Bryssel.  Modellen som utvecklats är tänkt att optimera Coindre vattenkraftverk, som ligger på höglandet inom Massif Central i Frankrike. Med det kombinerade vattenutsläppet från dess två fördämningar, Grande-Rhue och Petite-Rhue, kan kraftverket leverera upp till 36 MW el netto till elnätet. Vattenreservoarerna ligger flertalet kilometer ifrån varandra och har mycket olika kapacitet och upptagningsområden. Båda reservoarerna är kopplade till varandra genom det gemensamma tilloppsröret till kraftverket, där en reglerventil finns endast vid Petite-Rhue. Vatten kan växlas naturligt mellan de två dammarna när ventilen är öppen på grund av skillnaden i varderas vattennivå. Den maximala effekten från kraftverket är begränsad av vattennivåerna i båda reservoarerna vilket gör optimeringsmodelleringen komplicerad. Dessa operationella begränsningar är mycket hindrande vad gäller valet av driftsregim, eftersom kalkylering av driftsplaneringen blir en svår och tidskrävande uppgift.  En ramstudie av vattenkraftverket genomfördes under ett typiskt hydrauliskt år för att identifiera modellens styrparametrar. Den möjliga vattenöverföringen mellan de två dammarna orienterade modellutvecklingen mot en Mixed Integer Linear Programming (MILP) formulering. Efter att ha experimenterat med olika kalkylverktyg valdes Gurobi 28.1.0 för sin bra prestation i lösningen av Branch and Cut-algoritmen.  Systemets hydraulik har validerats genom att injicera realiserade produktionsplaner som input till modellen. Resultaten visar att volymfelet är mindre än 5% av deras respektive kapacitet under en 5-dagars tidshorisont. Efter tvärstester mot historiska data konstaterades det att den nya optimeringsstrategin resulterar i bättre genomsnittliga elpriser på varje kWh inmatad till nätet och högre intäkter för kraftverket. Resultaten visar också på vikten av korrekt ventilmanövrering i optimeringsstrategin.  Modellen körs i rimliga beräkningstider och redan används i den dagliga optimeringen av Coindre kraftverket, vilket sparar mycket tid. Specifika exempel på den optimerade prestandan och framtida förbättringar hittas i slutet av denna rapport.

Commonly, the day-ahead and intraday market on the electricity exchange are treated separately in academia. However, a model that forecasts the direction of the price spread between these two markets creates an opportunity for a market participant to leverage the price spread. In the neighbouring domain, electricity price forecasting, deep learning has proven to excel. Therefore, it is hypothesised that it will do so in directional price spread forecasting as well. A quantitative case study was performed to investigate how accurately a deep learning approach could be in directional electricity price spread forecasting. The case study was conducted on the Nordic electricity exchange Nord Pool in the SE3 region. The deep learning approach was compared with previously suggested machine learning models and a naive heuristic. The results show no statistical difference in error rate between the deep learning model and the machine learning model or naive heuristic. The results suggest that deep learning might not be a suitable approach to the task or that the implementation did not fully exhaust the potential of deep learning. / Vanligtvis behandlas marknaden för day-ahead och intraday på elbörsen separat i den akademiska litteraturen. En modell som prognostiserar riktningen för prisskillnaden mellan dessa två marknader skapar dock en möjlighet för en marknadsaktör att utnyttja prisskillnaden. I grannområdet elprisprognoser har djupinlärning visat sig överträffa andra typer av modeller. Därför antas det att djupinlärning även kommer göra det i riktade prisskillnadsprognoser. En kvantitativ fallstudie utfördes för att undersöka hur precis en djupinlärningsmetod kan vara i prognos för riktad elprisskillnad. Fallstudien genomfördes på den nordiska elbörsen Nord Pool i SE3-regionen. Djupinlärningsmetoden jämfördes med tidigare föreslagna maskininlärningsmodeller och en naiv heuristik. Resultaten visar ingen statistisk skillnad i fel-andel mellan djupinlärningsmodellen och maskininlärningsmodellen eller naiv heuristik. Resultaten antyder att djupinlärning kanske inte är ett lämpligt tillvägagångssätt för uppgiften eller att implementeringen inte helt utnyttjar potentialen för djupinlärning.