电力市场的因果建模和推断
本文通过引入一种新的方法来模拟未来几个月至三年的逐小时分辨率下的电力价格,使我们能够提供概率预测,甚至在长期内检测价格剧烈波动的概率,从而解决当前长期电力价格预测困难的问题。
Mar, 2017
我们首次提出了一项对德国连续日内市场上交易的电力价格进行贝叶斯预测的研究,该研究充分考虑了参数不确定性,并在后验预测分布方面给出了预测。我们使用 2022 年极其波动的电力价格进行验证,证明了在一些点度量和概率得分方面,相较于基于最后价格信息的基准模型,我们的预测模型有明显的改进。最后,我们通过提供强有力的统计证据挑战了在电力价格预测中使用 LASSO 进行特征选择的黄金标准,表明正交匹配追踪(OMP)在预测性能方面更佳。
Mar, 2024
使用全数据驱动的深度生成模型 —— 正规流模型,在电力市场的实现和预测不确定性方面进行电力价格的概率预测。研究表明,正规流模型生成高质量的场景,能够复现真实价格分布并提供高度准确的预测结果;同时,该模型在适应不断变化的市场条件方面的改进,使其能够继续采样高质量的次日价格场景,并在俄罗斯入侵乌克兰导致的能源危机中发挥重要作用。
Nov, 2023
使用基于机器学习的分析框架,我们解析了现代带有高比例可再生能源的电力市场中价格波动事件的主要驱动因素,结果可应用于市场设计、可再生能源的调度和削减、运营以及网络安全应用等关键领域。
Sep, 2023
准确预测电力价格对于电力系统管理和智能应用的发展至关重要。本研究提出了一种用于德国 - 卢森堡次日电力价格的长短期记忆(LSTM)模型,通过应对俄罗斯入侵乌克兰后欧洲电力价格的大幅上涨和高度波动等挑战,来应对现有预测方法的局限。LSTM 的循环结构允许该模型适应价格趋势,同时通过同时预测均值和标准差,实现了概率性预测。使用超统计学的物理启发方法来解释价格的统计特性,本研究表明 LSTM 模型能够忠实地重现价格和其波动情况。
Oct, 2023
本文提出了一种在定价环境中进行需求预测的新方法,通过建模价格作为需求的输入变量之间的因果关系,结合双机器学习方法和基于 Transformer 的预测模型。通过广泛的实证实验,在一个完全控制的设置中,我们证明了我们的方法通过合成但真实的数据更好地估计了因果效应。同时,我们展示了在真实世界数据中,我们的方法在离线策略设置(即定价策略发生变化时)中表现优于预测方法,只在在线策略设置中略有落后。
Dec, 2023
通过比较统计学、机器学习和深度学习模型在爱尔兰平衡市场上的表现,本研究发现短期电力市场和平衡市场是基本不同的构造,并提出了一种基于 LASSO 的 LEARN 模型,其在平衡市场上的预测表现优于更复杂和计算要求更高的方法。
Feb, 2024
本文通过对智能电网进行技术创新、标准开发、规范实施、测试规划等方面的探讨,运用基于深度学习方法的概率和全局预测模型,分析了外部干预对电力需求的不确定性及其影响情况,以新冠肺炎疫情对电力需求的影响为例,证明在短期内干预的峰谷差异是相当显著的。
Sep, 2022
通过结合 N 维 Langevin 方程和神经常微分方程,我们开发了一个数据驱动模型,用于系统建模和预测非平稳电力价格时间序列,并利用西班牙电力市场作为案例研究,证明了该模型在处理稳态和非平稳电力价格行为方面的全面性和稳健性。
May, 2024