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.