論文の概要: Electricity Price Prediction for Energy Storage System Arbitrage: A
Decision-focused Approach
- arxiv url: http://arxiv.org/abs/2305.00362v1
- Date: Sun, 30 Apr 2023 00:43:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 15:45:33.458983
- Title: Electricity Price Prediction for Energy Storage System Arbitrage: A
Decision-focused Approach
- Title(参考訳): エネルギー貯蔵システムアービタージュの電力価格予測 : 決定に焦点をあてたアプローチ
- Authors: Linwei Sang, Yinliang Xu, Huan Long, Qinran Hu, Hongbin Sun
- Abstract要約: 電力価格予測はエネルギー貯蔵システム(ESS)管理において重要な役割を担っている。
現在の予測モデルは、予測エラーを減らすことに重点を置いているが、下流の意思決定への影響を見落としている。
本稿では,下流最適化モデルから予測モデルへのギャップを埋めるため,ESS調停のための意思決定型電力価格予測手法を提案する。
- 参考スコア(独自算出の注目度): 4.992622806418143
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electricity price prediction plays a vital role in energy storage system
(ESS) management. Current prediction models focus on reducing prediction errors
but overlook their impact on downstream decision-making. So this paper proposes
a decision-focused electricity price prediction approach for ESS arbitrage to
bridge the gap from the downstream optimization model to the prediction model.
The decision-focused approach aims at utilizing the downstream arbitrage model
for training prediction models. It measures the difference between actual
decisions under the predicted price and oracle decisions under the true price,
i.e., decision error, by regret, transforms it into the tractable surrogate
regret, and then derives the gradients to predicted price for training
prediction models. Based on the prediction and decision errors, this paper
proposes the hybrid loss and corresponding stochastic gradient descent learning
method to learn prediction models for prediction and decision accuracy. The
case study verifies that the proposed approach can efficiently bring more
economic benefits and reduce decision errors by flattening the time
distribution of prediction errors, compared to prediction models for only
minimizing prediction errors.
- Abstract(参考訳): 電力価格予測はエネルギー貯蔵システム(ESS)管理において重要な役割を果たす。
現在の予測モデルは、予測エラーを減らすことに集中しているが、下流の意思決定への影響を見落としている。
そこで,本論文では,下流最適化モデルから予測モデルへのギャップを埋めるため,ESS調停のための意思決定型電力価格予測手法を提案する。
意思決定にフォーカスしたアプローチは、予測モデルのトレーニングに下流仲裁モデルを活用することを目的としている。
これは、予測価格の下での実際の決定と、真の価格、すなわち、後悔による決定エラーとの違いを測定し、従って、予測モデルのトレーニングのために予測価格に勾配を導出する。
予測と決定誤差に基づいて,予測と決定精度の予測モデルを学習するために,ハイブリッド損失とそれに対応する確率勾配降下学習法を提案する。
本ケーススタディでは,予測誤差を最小化するための予測モデルと比較して,予測誤差の時間分布を平坦化することにより,経済的な利益を効率良く生み出し,意思決定誤差を低減できることを示す。
関連論文リスト
- Microfoundation Inference for Strategic Prediction [26.277259491014163]
本稿では,人口に対する予測モデルの長期的影響をカプセル化した分布図の学習手法を提案する。
具体的には,エージェントの応答をコストユーティリティ問題としてモデル化し,そのコストを見積もる。
本稿では,この推定値の収束率と,クレジット・スコアリング・データセットの実証実験による品質評価について述べる。
論文 参考訳(メタデータ) (2024-11-13T19:37:49Z) - Price predictability in limit order book with deep learning model [0.0]
本研究では,ディープラーニングモデルを用いた高周波価格変化の予測について検討する。
未定義の目標価格プロセスでは,過去の情報を組み込むことで予測が無意味になることが判明した。
論文 参考訳(メタデータ) (2024-09-21T14:40:13Z) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳(メタデータ) (2024-05-29T01:32:17Z) - 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) - Combining predictive distributions of electricity prices: Does
minimizing the CRPS lead to optimal decisions in day-ahead bidding? [0.0]
本研究では,新しい重み付け手法であるCRPS学習を用いることで,日頭入札における最適決定が導かれるかどうかを検討する。
アンサンブルの多様性の増大は精度に肯定的な影響を与える可能性がある。
分布の等重集約と比較してCRPS学習を使用する場合の計算コストは、高い利益によって相殺されない。
論文 参考訳(メタデータ) (2023-08-29T17:10:38Z) - 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) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳(メタデータ) (2022-05-04T04:23:38Z) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳(メタデータ) (2021-09-07T09:38:24Z) - Leveraging Predictions in Smoothed Online Convex Optimization via
Gradient-based Algorithms [18.64335888217192]
オンライン凸最適化は、時間的変化のあるステージコストと追加のスイッチングコストで検討する。
スイッチングコストはすべてのステージにカップリングをもたらすため、長期的な予測は品質の低下に悩まされる傾向がある。
本稿では,勾配に基づくオンラインアルゴリズムReceding Horizon Inexact Gradient (RHIG)を導入し,その性能を動的後悔によって解析する。
論文 参考訳(メタデータ) (2020-11-25T06:25:51Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳(メタデータ) (2020-06-30T15:49:05Z)
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。