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
- Bayesian Hierarchical Probabilistic Forecasting of Intraday Electricity
Prices [0.0]
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機能選択にLASSOを用いるという宣言されたゴールド標準に挑戦し,オルソゴンマッチング・パースーツ(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。
論文 参考訳(メタデータ) (2024-03-08T16:51:27Z) - Short-term Volatility Estimation for High Frequency Trades using
Gaussian processes (GPs) [0.0]
投資家のリターンの安全と経済のために、必要で定期的な短期・長期の株価変動予測を行うことが不可欠である。
本稿では,短時間のボラティリティに対する数値モデルと確率モデルの組み合わせと,高周波取引におけるリターン予測を実装した。
論文 参考訳(メタデータ) (2023-11-18T02:03:48Z) - 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) - Simulation-based Forecasting for Intraday Power Markets: Modelling
Fundamental Drivers for Location, Shape and Scale of the Price Distribution [0.0]
本研究では,日内市場におけるリターン分布の位置,形状,スケールパラメータのモデル化手法を提案する。
風と太陽の予測と、その日内更新、停電、価格情報、および、メリットの順序を形作るための新しい尺度について検討する。
ボラティリティは、利益秩序体制、納期、国境を越えた注文書の閉鎖によってもたらされる。
論文 参考訳(メタデータ) (2022-11-23T15:08:50Z) - Quantum computational finance: martingale asset pricing for incomplete
markets [69.73491758935712]
金融の価格問題に様々な量子技術を適用することができることを示す。
従来の研究と異なる3つの方法について議論する。
論文 参考訳(メタデータ) (2022-09-19T09:22:01Z) - 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) - 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) - 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) - 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 the Gap in the Day-Ahead and Real-Time Locational Marginal
Prices in the Electricity Market [0.0]
機械学習アルゴリズムとディープニューラルネットワークは、日頭電気市場とリアルタイム電気市場の間の価格差の値を予測するために使用される。
提案手法を評価し,ニューラルネットワークはギャップの正確な値を予測できる有望な結果を示した。
論文 参考訳(メタデータ) (2020-12-23T16:49:24Z) - 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。