論文の概要: Price-Aware Deep Learning for Electricity Markets

• arxiv url: http://arxiv.org/abs/2308.01436v1
• Date: Wed, 2 Aug 2023 21:16:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-04 15:47:39.765363
• Title: Price-Aware Deep Learning for Electricity Markets
• Title（参考訳）: 電気市場における価格対応型ディープラーニング
• Authors: Vladimir Dvorkin and Ferdinando Fioretto
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 41.54238543400462
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While deep learning gradually penetrates operational planning, its inherent prediction errors may significantly affect electricity prices. This letter examines how prediction errors propagate into electricity prices, revealing notable pricing errors and their spatial disparity in congested power systems. To improve fairness, we propose to embed electricity market-clearing optimization as a deep learning layer. Differentiating through this layer allows for balancing between prediction and pricing errors, as oppose to minimizing prediction errors alone. This layer implicitly optimizes fairness and controls the spatial distribution of price errors across the system. We showcase the price-aware deep learning in the nexus of wind power forecasting and short-term electricity market clearing.
• Abstract（参考訳）: ディープラーニングは徐々に運用計画に浸透するが、その固有の予測エラーは電力価格に大きな影響を及ぼす可能性がある。 本稿では, 電力価格の予測誤差が電気価格にどのように伝播するかを考察し, 集電系統における価格誤差と空間格差を明らかにする。 公平性を向上させるため,深層学習層としての電力市場浄化最適化を提案する。 このレイヤを差別化することで、予測エラーと価格エラーのバランスをとることができる。 この層は暗黙的にフェアネスを最適化し、システム全体の価格誤差の空間分布を制御する。 我々は、風力予測と短期電力市場クリアリングの段階において、価格を意識したディープラーニングを披露する。

関連論文リスト

• 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)
• Electricity Price Prediction for Energy Storage System Arbitrage: A Decision-focused Approach [4.992622806418143]
  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。
  論文  参考訳（メタデータ） (2023-04-30T00:43:26Z)
• 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)
• Probabilistic forecasting of German electricity imbalance prices [0.0]
  再生可能エネルギー容量の指数的な成長は、電力価格と発電に大きな不確実性をもたらした。 両方の市場に参加しているエネルギートレーダーにとって、不均衡価格の予測は特に関心がある。 予測は配達の30分前に行われ、トレーダーがまだ取引先を選択する可能性がある。
  論文  参考訳（メタデータ） (2022-05-23T16:32:20Z)
• 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)
• Dynamic compensation of stray electric fields in an ion trap using machine learning and adaptive algorithm [55.41644538483948]
  表面イオントラップは、量子コンピューティングマシンをスケールアップするための最も有望な技術の一つである。 ここでは、勾配降下アルゴリズムと機械学習技術を用いて、成層圏の電場補償を示す。
  論文  参考訳（メタデータ） (2021-02-11T03:27:31Z)
• 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)
• Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids [56.35173057183362]
  家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。 目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。 マルコフゲームとしてスマートグリッド環境の定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-05T07:32:40Z)

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。