論文の概要: YUI: Day-ahead Electricity Price Forecasting Using Invariance Simplified Supply and Demand Curve
- arxiv url: http://arxiv.org/abs/2405.14893v1
- Date: Mon, 20 May 2024 08:27:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 19:48:22.534642
- Title: YUI: Day-ahead Electricity Price Forecasting Using Invariance Simplified Supply and Demand Curve
- Title（参考訳）: YUI: 簡易供給・需要曲線を用いた日頭電力価格予測
- Authors: Linian Wang, Anlan Yu, Jianghong Liu, Huibing Zhang, Leye Wang,
- Abstract要約: 本稿では,供給曲線と需要曲線のモデリングを簡略化する2つの不変仮定を提案する。
提案したモデルでは,YUIと呼ばれる不変性により単純化されたsuppltextbfYとrequid cUrveの予測が,最先端の手法よりも効率的である。
実験の結果,山西電力市場において,従来手法と比較して予測誤差が13.8%,sMAPEが28.7%減少した。
- 参考スコア（独自算出の注目度）: 6.170358489475294
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In day-ahead electricity market, it is crucial for all market participants to have access to reliable and accurate price forecasts for their decision-making processes. Forecasting methods currently utilized in industrial applications frequently neglect the underlying mechanisms of price formation, while economic research from the perspective of supply and demand have stringent data collection requirements, making it difficult to apply in actual markets. Observing the characteristics of the day-ahead electricity market, we introduce two invariance assumptions to simplify the modeling of supply and demand curves. Upon incorporating the time invariance assumption, we can forecast the supply curve using the market equilibrium points from multiple time slots in the recent period. By introducing the price insensitivity assumption, we can approximate the demand curve using a straight line. The point where these two curves intersect provides us with the forecast price. The proposed model, forecasting suppl\textbf{Y} and demand cUrve simplified by Invariance, termed as YUI, is more efficient than state-of-the-art methods. Our experiment results in Shanxi day-ahead electricity market show that compared with existing methods, YUI can reduce forecast error by 13.8\% in MAE and 28.7\% in sMAPE. Code is publicly available at https://github.com/wangln19/YUI.
- Abstract（参考訳）: 日頭電気市場においては、すべての市場参加者が意思決定プロセスの信頼性と正確な価格予測にアクセスできることが不可欠である。
現在、産業用途で使われている予測手法は、価格形成の基盤となるメカニズムを無視することが多いが、供給・需要の観点からの経済研究は厳しいデータ収集要求を抱えており、実際の市場では適用が困難である。
日頭電気市場の特徴を考察し,供給曲線と需要曲線のモデリングを簡略化するための2つの相違仮定を導入する。
時間差の仮定を組み込むと、近年の複数のタイムスロットから市場均衡点を用いて供給曲線を予測できる。
価格不感の仮定を導入することで、直線を用いて需要曲線を近似することができる。
この2つの曲線が交差する点から、予測価格が得られます。
提案したモデルでは, suppl\textbf{Y} と要求 cUrve を, YUI と呼ばれる不変性によって単純化し, 最先端の手法よりも効率的である。
実験の結果,既存の手法と比較して,YUIは予測誤差をMAEで13.8%,sMAPEで28.7%削減できることがわかった。
コードはhttps://github.com/wangln19/YUIで公開されている。
関連論文リスト
- Conformal Prediction for Electricity Price Forecasting in the Day-Ahead and Real-Time Balancing Market [0.0]
再生可能エネルギーの電気市場への統合は 価格安定に重大な課題をもたらします
本研究では, Conformal Prediction (CP) 技術を用いた確率的価格予測の強化について検討した。
本稿では,量子レグレッションモデルの効率と時系列適応CP手法の強靭なカバレッジ特性を組み合わせたアンサンブル手法を提案する。
論文 参考訳（メタデータ） (2025-02-07T13:57:47Z) - Prediction Interval Construction Method for Electricity Prices [4.194844503412904]
電力価格シナリオを生成する条件付き生成対向ネットワークを最初に提示する。
異なる生成シナリオを積み重ねて確率密度を求め、電気価格の不確かさを正確に反映することができる。
スパイクや揮発性価格に対処するため、気象要因のボラティリティレベルに基づく強化予測機構を導入する。
論文 参考訳（メタデータ） (2025-01-14T04:02:08Z) - Deep Learning-Based Electricity Price Forecast for Virtual Bidding in Wholesale Electricity Market [3.130428666578115]
本研究では,ERCOT(Electric Reliability Council of Texas)市場におけるリアルタイム電力価格と日頭電力価格の間に広がる価格を予測するためのトランスフォーマーに基づくディープラーニングモデルを提案する。
提案したモデルは現実的な制約の下で訓練され、毎週モデルを更新してウォーキングフォワードアプローチを用いて検証される。
その結果, ピーク時のみの取引戦略が50%を超える精度で, ほぼ一貫した利益をもたらすことがわかった。
論文 参考訳（メタデータ） (2024-11-25T20:04:16Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳（メタデータ） (2024-02-06T21:28:42Z) - 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) - 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) - 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) - A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。
本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
論文 参考訳（メタデータ） (2022-05-20T22:13:25Z) - 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) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - 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。