論文の概要: Bayesian Hierarchical Probabilistic Forecasting of Intraday Electricity Prices

• arxiv url: http://arxiv.org/abs/2403.05441v2
• Date: Tue, 30 Jul 2024 14:46:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-31 22:06:02.956035
• Title: Bayesian Hierarchical Probabilistic Forecasting of Intraday Electricity Prices
• Title（参考訳）: 日内電力価格のベイズ的階層的確率予測
• Authors: Daniel Nickelsen, Gernot Müller,
• Abstract要約: 本稿では,ドイツの日内取引市場における電力価格のベイズ予測に関する第1報について述べる。 検証には2022年の極端に不安定な電力価格を使用します。 我々は、電気価格予測における特徴選択にLASSOを用いるという宣言されたゴールド標準に挑戦し、OMPがより良い予測性能をもたらすという強い統計的証拠を提示する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a first study of Bayesian forecasting of electricity prices traded on the German continuous intraday market which fully incorporates parameter uncertainty. A particularly large set of endogenous and exogenous covariables is used, handled through feature selection with Orthogonal Matching Pursuit (OMP) and regularising priors. Our target variable is the IDFull price index, forecasts are given in terms of posterior predictive distributions. For validation we use the exceedingly volatile electricity prices of 2022, which have hardly been the subject of forecasting studies before. As a benchmark model, we use all available intraday transactions at the time of forecast creation to compute a current value for the IDFull. According to the weak-form efficiency hypothesis, it would not be possible to significantly improve this benchmark built from last price information. We do, however, observe statistically significant improvement in terms of both point measures and probability scores. Finally, we challenge the declared gold standard of using LASSO for feature selection in electricity price forecasting by presenting strong statistical evidence that OMP leads to better forecasting performance.
• Abstract（参考訳）: 本稿では,パラメータの不確実性を完全に包含するドイツの連続的日内取引における電力価格のベイズ予測に関する第1報について述べる。 特に大きな内因性および外因性共変体が使用され、オルソゴンマッチング・パースーツ(OMP)による特徴選択と、事前の定期化によって処理される。 我々のターゲット変数はIDFull価格指数であり、予測は後続の予測分布で与えられる。 検証には、これまでの予測研究の対象にはならなかった2022年の極端に不安定な電力価格を使用します。 ベンチマークモデルとして、予測生成時に利用可能なすべての日内トランザクションを使用して、IDFullの現在の値を計算します。 弱形効率仮説によれば、前回の価格情報から構築されたベンチマークを著しく改善することは不可能である。 しかし, 点測度と確率スコアの両面で統計的に有意な改善が見られた。 最後に、電気価格予測における特徴選択にLASSOを用いるという宣言されたゴールド標準に挑戦し、OMPがより良い予測性能をもたらすという強い統計的証拠を提示する。

関連論文リスト

• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Revisiting Day-ahead Electricity Price: Simple Model Save Millions [7.088576782842557]
  本稿では,予測可能な需要供給値から直接価格を導出することにより,予測精度を著しく向上する簡易な断片的線形モデルを提案する。 バングラデシュの山西省とISO New Englandの電力市場実験によると、こうした予測は年間数百万ドル節約できる可能性がある。
  論文  参考訳（メタデータ） (2024-05-20T08:27:14Z)
• Postprocessing of point predictions for probabilistic forecasting of day-ahead electricity prices: The benefits of using isotonic distributional regression [0.0]
  本研究では,日頭電力価格の点予測を確率的値に変換するための3つのポストプロセッシング手法について検討する。 後者は最も多様な振る舞いを示すが、予測分布のアンサンブルに最も寄与する。 注目すべきことに、この組み合わせのパフォーマンスは、ドイツとスペインの電力市場から4.5年間のテスト期間において、最先端の分散ディープニューラルネットワークよりも優れている。
  論文  参考訳（メタデータ） (2024-04-02T19:50:36Z)
• A probabilistic forecast methodology for volatile electricity prices in the Australian National Electricity Market [0.36832029288386137]
  オーストラリア国定電力市場(Australian National Electricity Market)の南オーストラリア地域は、現代の電力市場において最も高い価格変動率を示している。 本稿では,これらの極端条件下での確率予測へのアプローチについて概説する。
  論文  参考訳（メタデータ） (2023-11-13T12:33:33Z)
• 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)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)
• 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)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories [0.0]
  近年の研究では、時間単位のドイツの日内連続市場は弱い状態にあることが示されている。 時間内電力価格の確率予測は、トレーディングウィンドウ毎に軌跡をシミュレートして行う。 この調査は、過去3時間でドイツの日内連続市場における価格分布を予測することを目的としているが、このアプローチは、特にヨーロッパでは、他の連続市場への適用を可能にする。
  論文  参考訳（メタデータ） (2020-05-04T10:21:20Z)

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。