論文の概要: A Deep Learning Forecaster with Exogenous Variables for Day-Ahead Locational Marginal Price

• arxiv url: http://arxiv.org/abs/2010.06525v1
• Date: Tue, 13 Oct 2020 16:34:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 00:23:59.553021
• Title: A Deep Learning Forecaster with Exogenous Variables for Day-Ahead Locational Marginal Price
• Title（参考訳）: 日頭位置重心値に対する外因性変数を用いた深層学習予測
• Authors: Dipanwita Saha and Felipe Lopez
• Abstract要約: 本稿では,非規制エネルギー市場における日頭位置限界価格(daLMP)を予測するためのディープラーニングモデルを提案する。 この記事では、提案モデルが従来の時系列技術より優れていることを示し、シャットダウン決定のリスクベースの分析をサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Several approaches have been proposed to forecast day-ahead locational marginal price (daLMP) in deregulated energy markets. The rise of deep learning has motivated its use in energy price forecasts but most deep learning approaches fail to accommodate for exogenous variables, which have significant influence in the peaks and valleys of the daLMP. Accurate forecasts of the daLMP valleys are of crucial importance for power generators since one of the most important decisions they face is whether to sell power at a loss to prevent incurring in shutdown and start-up costs, or to bid at production cost and face the risk of shutting down. In this article we propose a deep learning model that incorporates both the history of daLMP and the effect of exogenous variables (e.g., forecasted load, weather data). A numerical study at the PJM independent system operator (ISO) illustrates how the proposed model outperforms traditional time series techniques while supporting risk-based analysis of shutdown decisions.
• Abstract（参考訳）: 減量エネルギー市場における日頭位置限界価格(daLMP)を予測するためのいくつかのアプローチが提案されている。 ディープラーニングの台頭は、エネルギー価格予測にその利用を動機付けてきたが、ほとんどのディープラーニングアプローチは、daLMPのピークやバレーに大きな影響を及ぼす外因性変数に対応できない。 ダランプ・バレーの正確な予測は、停電やスタートアップコストの増大を防ぐために電力を損失で売却するか、生産コストの入札と閉鎖のリスクに直面するかという最も重要な決定の1つであるため、発電者にとって重要なものである。 本稿では,daLMPの歴史と外因性変数(例えば,予測負荷,気象データ)の影響を組み込んだディープラーニングモデルを提案する。 PJM独立系演算子(ISO)における数値的な研究は、提案モデルがシャットダウン決定のリスクベースの分析をサポートしながら、従来の時系列技術よりも優れていることを示す。

関連論文リスト

• Enhancing Battery Storage Energy Arbitrage with Deep Reinforcement Learning and Time-Series Forecasting [3.0382033111760576]
  カナダ・アルバータ州の価格データを用いたケーススタディを行い、不規則な価格スパイクと極めて非定常な価格変動を特徴とする。 このデータは、最先端のディープラーニングモデルがデプロイされたとしても予測することは難しい。 以上の結果から, DRLによる電池制御によるエネルギー仲裁は, これらの不完全な予測の恩恵を被ることがわかった。
  論文  参考訳（メタデータ） (2024-10-25T23:18:43Z)
• Conformal Prediction for Stochastic Decision-Making of PV Power in Electricity Markets [0.0]
  コンフォメーション予測(CP)は、日々の太陽光発電電力予測の確率予測手法である。 CPを特定の入札戦略と組み合わせることで、エネルギーの不均衡を最小限に抑えて高い利益を得ることができる。 具体的には、k-アネレスト近傍の共形予測システムと無作為な森林回帰の後にモンドリアン・ビンニングを用いると、最良の利益が得られる。
  論文  参考訳（メタデータ） (2024-03-29T12:34:57Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Price-Aware Deep Learning for Electricity Markets [58.3214356145985]
  深層学習層として電力市場浄化最適化を組み込むことを提案する。 このレイヤを差別化することで、予測と価格エラーのバランスをとることができる。 風力発電予測と短期電力市場浄化のネクサスにおける価格認識深層学習について紹介する。
  論文  参考訳（メタデータ） (2023-08-02T21:16:05Z)
• AI Driven Near Real-time Locational Marginal Pricing Method: A Feasibility and Robustness Study [0.6144680854063939]
  ロケーション・マージナル・プライシング (Locational Marginal Pricing, LMP) は、現代の多くの電力市場で使われている。 大規模な電力網では、このプロセスは違法な時間と計算集約となる。 本研究では、複数の電力網上でのLMP予測において、一般的な機械学習モデルとディープラーニングモデルの性能を評価する。
  論文  参考訳（メタデータ） (2023-06-16T06:41:04Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Multivariate Probabilistic Forecasting of Intraday Electricity Prices using Normalizing Flows [62.997667081978825]
  ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。 本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T08:38:20Z)
• Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short Term Electricity Price Forecasting [0.0]
  本研究では、一般化長メモリ自己回帰モデル(k-factor GARMA)に基づく新しいハイブリッドモデルの予測性能について検討する。 提案モデルの性能を北プール電力市場のデータを用いて評価した。
  論文  参考訳（メタデータ） (2022-04-18T12:21:25Z)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)
• Learning the Gap in the Day-Ahead and Real-Time Locational Marginal Prices in the Electricity Market [0.0]
  機械学習アルゴリズムとディープニューラルネットワークは、日頭電気市場とリアルタイム電気市場の間の価格差の値を予測するために使用される。 提案手法を評価し,ニューラルネットワークはギャップの正確な値を予測できる有望な結果を示した。
  論文  参考訳（メタデータ） (2020-12-23T16:49:24Z)
• A Deep Reinforcement Learning Framework for Continuous Intraday Market Bidding [69.37299910149981]
  再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。 欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。 本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。 その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
  論文  参考訳（メタデータ） (2020-04-13T13:50:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。