Fugu-MT 論文翻訳(概要): Joint Bidding on Intraday and Frequency Containment Reserve Markets

論文の概要: Joint Bidding on Intraday and Frequency Containment Reserve Markets

arxiv url: http://arxiv.org/abs/2510.03209v1
Date: Fri, 03 Oct 2025 17:48:21 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-06 16:35:52.521176
Title: Joint Bidding on Intraday and Frequency Containment Reserve Markets
Title（参考訳）: 日内・日内包蓄市場に関する共同入札
Authors: Yiming Zhang, Wolfgang Ridinger, David Wozabal,
Abstract要約: 再生可能エネルギー統合が供給変動性を増加させるにつれて、バッテリエネルギー貯蔵システム(BESS)は供給と需要のバランスをとるための実行可能なソリューションを提供する。本稿では,複数の電力市場におけるバッテリBESSの関与を最適化するための新しいアプローチを提案する。
参考スコア（独自算出の注目度）: 2.2020962080622906
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: As renewable energy integration increases supply variability, battery energy storage systems (BESS) present a viable solution for balancing supply and demand. This paper proposes a novel approach for optimizing battery BESS participation in multiple electricity markets. We develop a joint bidding strategy that combines participation in the primary frequency reserve market with continuous trading in the intraday market, addressing a gap in the extant literature which typically considers these markets in isolation or simplifies the continuous nature of intraday trading. Our approach utilizes a mixed integer linear programming implementation of the rolling intrinsic algorithm for intraday decisions and state of charge recovery, alongside a learned classifier strategy (LCS) that determines optimal capacity allocation between markets. A comprehensive out-of-sample backtest over more than one year of historical German market data validates our approach: The LCS increases overall profits by over 4% compared to the best-performing static strategy and by more than 3% over a naive dynamic benchmark. Crucially, our method closes the gap to a theoretical perfect foresight strategy to just 4%, demonstrating the effectiveness of dynamic, learning-based allocation in a complex, multi-market environment.
Abstract（参考訳）: 再生可能エネルギー統合が供給変動性を増加させるにつれて、バッテリエネルギー貯蔵システム(BESS)は供給と需要のバランスをとるための実行可能なソリューションを提供する。本稿では,複数の電力市場におけるバッテリBESSの関与を最適化するための新しいアプローチを提案する。我々は、一次周波数予約市場への参加と日内市場における継続的な取引を併せ持つ共同入札戦略を開発し、通常これらの市場を単独で考える、または日内取引の継続的な性質を単純化する、既存の文献のギャップに対処する。提案手法は,市場間の最適なキャパシティ割り当てを決定する学習型分類器戦略(LCS)とともに,日内決定と電荷回収の状況に対する転がり内在性アルゴリズムの混合整数線形プログラミング実装を利用する。歴史的ドイツの市場データの1年以上にわたる包括的なアウト・オブ・サンプルのバックテストは、我々のアプローチを検証する。 LCSは、最高のパフォーマンスの静的戦略と比較して、全体的な利益を4%以上増加させ、単純で動的なベンチマークよりも3%以上増加させます。本手法は,複雑なマルチマーケット環境下での動的学習型アロケーションの有効性を実証し,理論上完全なフォレスト戦略のギャップを4%に縮める。

関連論文リスト

Deep Learning Enhanced Multi-Day Turnover Quantitative Trading Algorithm for Chinese A-Share Market [0.0]
アルゴリズムは2010-2020年の総合的なAシェアデータに基づいて訓練され、2021-2024のデータに対して厳格に検証されている。 15.2%の年次リターン、5%未満の最大降格、シャープ比1.87で顕著なパフォーマンスを達成した。
論文参考訳（メタデータ） (2025-06-03T01:59:55Z)
Optimizing Quantile-based Trading Strategies in Electricity Arbitrage [0.0]
本研究は、日頭取引と市場取引のバランスを最適化し、量的予測を活用することを目的としている。調査の結果は、日頭市場とバランス市場の両方で同時参加する可能性を示している。コストの増加と高額取引に伴う利益率の狭さにもかかわらず、高頻度戦略の実装は利益の最大化に重要な役割を果たしている。
論文参考訳（メタデータ） (2024-06-19T21:27:12Z)
Temporal-Aware Deep Reinforcement Learning for Energy Storage Bidding in Energy and Contingency Reserve Markets [13.03742132147551]
我々は、深層強化学習(DRL)を利用した新しいBESS共同入札戦略を開発し、そのスポットと同時周波数制御アシラリーサービス市場を入札する。従来の「ブラックボックス」DRLモデルとは異なり、我々のアプローチはより解釈可能であり、BESSの時間入札行動に関する貴重な洞察を提供する。
論文参考訳（メタデータ） (2024-02-29T12:41:54Z)
Proximal Policy Optimization Based Reinforcement Learning for Joint Bidding in Energy and Frequency Regulation Markets [6.175137568373435]
エネルギー仲裁はバッテリエネルギー貯蔵システム(BESS)にとって重要な収入源となる。 BESSは、不確実な市場条件下での総利益を最大化するために、各市場にどの程度の能力を割り当てるかを慎重に決定することが不可欠である。本稿では,BESSの入札問題をマルコフ決定プロセスとして定式化し,BESSがスポット市場とFCAS市場の両方に参加して利益を最大化できるようにする。
論文参考訳（メタデータ） (2022-12-13T13:07:31Z)
Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
論文参考訳（メタデータ） (2021-12-08T14:55:21Z)
ARISE: ApeRIodic SEmi-parametric Process for Efficient Markets without Periodogram and Gaussianity Assumptions [91.3755431537592]
我々は、効率的な市場を調査するためのApeRI-miodic(ARISE)プロセスを提案する。 ARISEプロセスは、いくつかの既知のプロセスの無限サムとして定式化され、周期スペクトル推定を用いる。実際に,実世界の市場の効率性を明らかにするために,ARISE関数を適用した。
論文参考訳（メタデータ） (2021-11-08T03:36:06Z)
A Data-Driven Convergence Bidding Strategy Based on Reverse Engineering of Market Participants' Performance: A Case of California ISO [0.0]
コンバージェンス入札(コンバージェンス入札、別名仮想入札)は、近年、ホールセール電気市場で広く採用されている。市場参加者は、日頭市場の位置的限界価格とリアルタイム市場位置的限界価格との差を仲裁する機会を提供する。市場参加者が現在使用している様々なコンバージェンス入札戦略を学習し、特徴付けし、評価する。
論文参考訳（メタデータ） (2021-09-19T22:19:10Z)
Universal Trading for Order Execution with Oracle Policy Distillation [99.57416828489568]
本稿では,不完全な市場状態と注文実行のための最適な行動シーケンスとのギャップを埋める,新たなユニバーサル取引ポリシー最適化フレームワークを提案する。本研究の枠組みは,完全情報を持つ託宣教師による実践的最適実行に向けて,共通政策の学習を指導する上で有効であることを示す。
論文参考訳（メタデータ） (2021-01-28T05:52:18Z)
Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network [71.25144476293507]
我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。表現学習によって、私たちはStock2Vecという埋め込みを導きました。我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-09-29T22:54:30Z)
A Deep Reinforcement Learning Framework for Continuous Intraday Market Bidding [69.37299910149981]
再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
論文参考訳（メタデータ） (2020-04-13T13:50:13Z)
Reinforcement-Learning based Portfolio Management with Augmented Asset Movement Prediction States [71.54651874063865]
ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
論文参考訳（メタデータ） (2020-02-09T08:10:03Z)

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。