論文の概要: AI Driven Near Real-time Locational Marginal Pricing Method: A
Feasibility and Robustness Study
- arxiv url: http://arxiv.org/abs/2306.10080v1
- Date: Fri, 16 Jun 2023 06:41:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 00:23:16.207768
- Title: AI Driven Near Real-time Locational Marginal Pricing Method: A
Feasibility and Robustness Study
- Title（参考訳）: AIによるリアルタイム位置推定手法の可能性とロバスト性の検討
- Authors: Naga Venkata Sai Jitin Jami, Juraj Kardo\v{s}, Olaf Schenk and Harald
K\"ostler
- Abstract要約: 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。
本研究は、複数の電力網上の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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate price predictions are essential for market participants in order to
optimize their operational schedules and bidding strategies, especially in the
current context where electricity prices become more volatile and less
predictable using classical approaches. Locational Marginal Pricing (LMP)
pricing mechanism is used in many modern power markets, where the traditional
approach utilizes optimal power flow (OPF) solvers. However, for large
electricity grids this process becomes prohibitively time-consuming and
computationally intensive. Machine learning solutions could provide an
efficient tool for LMP prediction, especially in energy markets with
intermittent sources like renewable energy. The study evaluates the performance
of popular machine learning and deep learning models in predicting LMP on
multiple electricity grids. The accuracy and robustness of these models in
predicting LMP is assessed considering multiple scenarios. The results show
that machine learning models can predict LMP 4-5 orders of magnitude faster
than traditional OPF solvers with 5-6\% error rate, highlighting the potential
of machine learning models in LMP prediction for large-scale power models with
the help of hardware solutions like multi-core CPUs and GPUs in modern HPC
clusters.
- Abstract（参考訳）: 市場参加者にとって価格の正確な予測は、運用スケジュールや入札戦略を最適化するために不可欠である。
ロケーション・マージナル・プライシング (Locational Marginal Pricing, LMP) は、多くの現代の電力市場において、従来の手法では最適電力フロー (OPF) ソルバを用いている。
しかし、大規模な電力網では、このプロセスは極めて時間がかかり、計算集約的になる。
機械学習ソリューションは、特に再生可能エネルギーのような断続的なソースを持つエネルギー市場において、LMP予測のための効率的なツールを提供する可能性がある。
本研究は、複数の電力網上の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。
複数のシナリオを考慮したLMP予測におけるモデルの精度とロバスト性を評価する。
その結果、機械学習モデルは従来のOPFソルバよりも5～6倍高速でLMP 4-5オーダーを予測でき、現代のHPCクラスタにおけるマルチコアCPUやGPUといったハードウェアソリューションの助けを借りて、LMP予測における機械学習モデルの可能性を強調した。
関連論文リスト
- BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。
我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
論文 参考訳（メタデータ） (2024-11-09T05:40:32Z) - Scaling Laws for Predicting Downstream Performance in LLMs [75.28559015477137]
この研究は、性能評価のためのより効率的な指標として、事前学習損失に焦点を当てている。
我々は、データソース間のFLOPに基づいて、ドメイン固有の事前学習損失を予測するために、電力法解析関数を拡張した。
我々は2層ニューラルネットワークを用いて、複数のドメイン固有の損失と下流性能の非線形関係をモデル化する。
論文 参考訳（メタデータ） (2024-10-11T04:57:48Z) - 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) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。
我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
論文 参考訳（メタデータ） (2023-04-15T19:22:37Z) - 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) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳（メタデータ） (2022-03-07T18:59:54Z) - Appliance Level Short-term Load Forecasting via Recurrent Neural Network [6.351541960369854]
本稿では,各家電の消費電力を効率よく予測するSTLFアルゴリズムを提案する。
提案手法は、ディープラーニングにおける強力なリカレントニューラルネットワーク(RNN)アーキテクチャに基づいている。
論文 参考訳（メタデータ） (2021-11-23T16:56:37Z) - Short-Term Electricity Price Forecasting based on Graph Convolution
Network and Attention Mechanism [5.331757100806177]
本稿では、スペクトルグラフ畳み込みネットワーク(GCN)を調整し、短期LMP予測の精度を大幅に向上させる。
3分岐ネットワーク構造はLMPの構成と一致するように設計されている。
PJMによるIEEE-118テストシステムと実世界のデータに基づくケーススタディにより、提案モデルが既存の予測モデルよりも精度で優れていることが検証された。
論文 参考訳（メタデータ） (2021-07-26T15:44:07Z) - A Deep Learning Forecaster with Exogenous Variables for Day-Ahead
Locational Marginal Price [0.0]
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。
論文 参考訳（メタデータ） (2020-10-13T16:34:13Z)
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。