EFO AB is responsible for sourcing and coordinating fuel deliveries toseveral Swedish energy producers, including Mälarenergi. At Mälarenergi,the Energy Optima 3 (EO3) optimization model is used to generate productionplans for individual boilers. These plans form part of the basis for fuel-ordering decisions. However, the realized boiler operation may deviate fromthe optimized plan, creating uncertainty for EFO’s sourcing team. Suchdeviations can lead to excess inventory, storage pressure, fuel degradation,or short-notice deliveries.This thesis investigates whether historical deviations between EO3-basedoptimization outputs and realized boiler operation can be used to quantifyuncertainty in fuel planning. The analysis is based on historical planning andoperational data for three boilers, P5, P6 and P7, at the Mälarenergi plant inVästerås. A two-part modeling structure is used: First, logistic regression isapplied to estimate the probability that a planned boiler run does not occur.Second, multiple linear regression is used to model the signed deviationbetween planned and realized production, conditional on the boiler actuallyoperating.The logistic regression model shows strong classification performance,with a ROC-AUC of 0.959 and a recall of 0.968. The results indicate thatboiler P7 has a substantially higher probability of missed operation than theother boilers, and that higher temperatures are associated with a higher missed-run probability. The multiple linear regression model provides additionalinsight into the size and direction of deviations when operation occurs. Thebest subset model includes planned MWh, spot price and boiler identity, butits predictive performance is more limited, with a mean absolute error ofapproximately 501 MWh.The results suggest that EO3 outputs should not be interpreted asdeterministic production plans, but as uncertain planning signals whosereliability varies across boilers and operating conditions. The logisticregression model is the most immediately useful component, as it can serveas a warning layer for planned runs with elevated uncertainty. However, thecurrent models rely partly on realized temperature and spot price, which arenot known at the time of sourcing decisions. Future work should thereforeincorporate decision-time variables, such as weather forecasts, spot priceforecasts and EO3 input assumptions, before the approach can be usedoperationally.

EFO AB ansvarar för inköp och samordning av bränsleleveranser tillflera svenska energibolag, däribland Mälarenergi. Hos Mälarenergi användsoptimeringsmodellen Energy Optima 3 (EO3) för att ta fram produk-tionsplaner för enskilda pannor. Dessa planer används som en del avunderlaget för bränslebeställningar. Den faktiska driften kan dock avvikafrån den optimerade planen, vilket skapar osäkerhet för EFO:s sourcingteam.Sådana avvikelser kan leda till överskottslager, begränsad lagringskapacitet,bränslenedbrytning eller behov av kortsiktiga leveranser.Denna rapport undersöker om historiska avvikelser mellan EO3-baseradeoptimeringsutfall och faktisk panndrift kan användas för att kvantifieraosäkerhet i bränsleplaneringen. Analysen bygger på historisk planerings- ochdriftdata för tre pannor, P5, P6 och P7, hos Mälarenergi i Västerås. Entvåstegsmodell används: Först används logistisk regression för att uppskattasannolikheten att en planerad pannkörning inte genomförs. Därefter användsmultipel linjär regression för att modellera den signerade avvikelsen mellanplanerad och faktisk produktion, givet att pannan faktiskt är i drift.Den logistiska regressionsmodellen visar god klassificeringsförmåga, medett ROC-AUC-värde på 0,959 och en recall på 0,968. Resultaten visar attpannan P7 har en betydligt högre sannolikhet för utebliven drift än de övrigapannorna, samt att högre temperaturer är kopplade till en högre sannolikhetför utebliven körning. Den multipla linjära regressionsmodellen ger ytterligareinsikt i avvikelsens storlek och riktning när drift faktiskt sker. Den bästadelmängdsmodellen inkluderar planerad MWh, spotpris och pannidentitet,men dess prediktiva förmåga är mer begränsad, med ett genomsnittligt absolutfel på ungefär 501 MWh.Resultaten tyder på att EO3:s optimeringsutfall inte bör tolkas somdeterministiska produktionsplaner, utan som osäkra planeringssignaler varstillförlitlighet varierar mellan pannor och driftförhållanden. Den logistiskaregressionsmodellen är den del av analysen som har störst omedelbartpraktiskt värde, eftersom den kan fungera som ett varningslager för planeradekörningar med förhöjd osäkerhet. Samtidigt bygger de nuvarande modellernadelvis på realiserad temperatur och realiserat spotpris, vilka inte är kändavid tidpunkten för sourcingbeslut. Framtida arbete bör därför inkluderabeslutsdata som faktiskt finns tillgänglig vid optimeringstillfället, såsomväderprognoser, spotprisprognoser och EO3:s indata.