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/2306.10080v2
- Date: Mon, 2 Oct 2023 14:39:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-03 17:25:04.229748
- 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。
- 参考スコア(独自算出の注目度): 0.6144680854063939
- 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. The 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 (ML) based predictions could
provide an efficient tool for LMP prediction, especially in energy markets with
intermittent sources like renewable energy. This 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 ML models can predict LMP 4-5 orders of magnitude faster than traditional
OPF solvers with 5-6\% error rate, highlighting the potential of ML models in
LMP prediction for large-scale power models with the assistance of hardware
infrastructure 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) 解決器を用いている。
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(ML)ベースの予測は、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。
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,ML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インフラストラクチャの助けを借りて,LMP予測におけるMLモデルの可能性を強調した。
関連論文リスト
- Unleashing the Power of Pre-trained Language Models for Offline
Reinforcement Learning [54.682106515794864]
オフライン強化学習(RL)は、事前コンパイルされたデータセットを使用して、ほぼ最適ポリシーを見つけることを目的としている。
本稿では、オフラインRLに事前学習言語モデル(LM)を使用するための決定変換器に基づく一般的なフレームワークである、$textbfMo$tion Control用の$textbfLanguage Models(textbfLaMo$)を紹介する。
経験的な結果から、$textbfLaMo$はスパース・リワードタスクで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-10-31T16:24:17Z) - 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) - 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) - 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) - 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) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳(メタデータ) (2020-06-08T23:37:47Z)
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。