When the big data time comes, people also need to keep pace with the times to seek and develop tools that can deal with the vast amount of information. In this project, lassois applied to build parametric models of electricity prices based on different affecting factors. Thereafter, the models are used to predict the electricity prices 8 days forward for three different time periods. We compare their prediction performances in terms of normalized mean square error (NMSE) and identify dominant factors of the electricity prices in different time periods using lasso. The results show that a model that spans over a 24 hourlong period gives the lowest NMSE, followed by one spanning over a two hour long period where the electricity prices are leading up to a peak value. The model that obtains the highestNMSE is from a two hour long period, where the electricity prices have a peak value. Besides, we also analyze potential reasons for the results. / När big data-tiden kommer måste även människor hålla jämna steg med tiderna för att söka och utveckla verktyg som kan hantera den stora mängden information. I detta projekt används lasso för att bygga parametriska modeller av elpriser baserade på olika påverkansfaktorer. Därefter används modellerna för att förutsäga elpriserna 8 dagar framåt för tre olika tidsperioder. Vi jämför deras prediktionsprestanda i termer av normaliserat medelkvadratfel (NMSE) och identifierar dominerande faktorer för elpriserna under olika tidsperioder med hjälp av lasso. Resultaten visar att en modell som sträcker sig över en 24 timmar lång period ger lägst NMSE värde, följt av en som sträcker sig över en två timmar lång period där elpriserna leder fram till ett toppvärde. Modellen som får högst NMSE är från en två timmar lång period, där elpriserna har ett toppvärde. Dessutom analyserar vi också potentiella orsaker till resultaten. / Kandidatexjobb i elektroteknik 2022, KTH, Stockholm