Modeling electricity spot prices using mean-reverting multifractal processes
我们讨论了电力现货价格波动持续性和反相关性的随机建模，并为此目的，我们提出了两个均值回复版本的多重分形随机游走（MRW）。在第一模型中，以与Ornstein-Uhlenbeck过程中相同的方式对反相关性进行建模，即经由漂移（阻尼）项，并且在第二模型中，通过使MRW模型中的新息是具有H < 1/2的分数高斯噪声来包括反相关性。对于这两个模型，我们提出了近似的最大似然方法，我们应用这些方法来估计北欧电力市场的现货价格的参数。最大似然估计表明，电力现货价格的特点是标度指数显着不同的相应指数在股票市场，确认电力市场的特殊性。为了比较阻尼MRW模型与分数MRW模型，我们使用系综模拟和基于小波的变异函数，我们观察到，现货价格的某些功能更好地描述了阻尼MRW模型。特征相关时间估计为半年左右。
2012-01-30 physics.data-an q-fin.ST
Electricity intraday price modeling with marked Hawkes processes
我们考虑了一个2维的标记霍克斯过程，增加基线强度，以模拟电力日内市场的价格。该模型允许通过特征图表示不同的经验事实，例如增加的市场活动，随机跳跃大小，但最重要的是微观结构噪声。这最后一个特征对于从业者来说特别重要，并且还没有针对这些特定市场进行建模。我们提供了一阶和二阶矩以及签名图的解析公式，扩展了Bacry et al.（2013）在具有随机跳跃大小和时间依赖基线强度的Hawkes过程的背景下的经典结果。我们提出的易于处理的模型估计德国的数据，似乎适合的数据。我们还提供了一个关于价格过程收敛到布朗运动的结果，在宏观尺度上的波动性增加，突出萨缪尔森效应。
2021-03-16 math.PR q-fin.ST q-fin.TR
Coping with area price risk in electricity markets: Forecasting Contracts for Difference in the Nordic power market
差价合约（CfD）是区域价格和系统价格之间价差的远期。这些产品与系统价格远期一起用于对冲北欧电力市场的区域价格风险。CfD通常在接下来的两个月，三个季度和三年内可用。这是好的，除了CfD不是在纳斯达克OMX商品交易的每一个北池现货价格区。因此，我们提出一个假设性的问题：如果CfD被交易，那么在价格区域NO2中，CfD的市场价格会是多少？我们为每个可观察的价格区域建立回归模型，并使用贝叶斯启发技术来获得关于不同价格区域如何相似的先验信息，以预测CfD不交易的区域的价格。
2014-06-26 q-fin.ST stat.AP
Electricity Price Forecasting using Sale and Purchase Curves: The X-Model
本文旨在通过对数据的全新视角来建模和预测电价。这将是第一种能够将市场结构模型的见解与广泛的现代计量经济学分析相结合的方法。而不是直接建模的电价，因为它通常是在时间序列或数据挖掘方法，我们的模型和利用其真正的来源：电力交易所的销售和购买曲线。我们将把这个新模型称为X模型，因为几乎每一个放松管制的电价都是电力供应和需求曲线在某个拍卖中相交的结果。因此，我们展示了一种方法来处理大量的拍卖数据，使用微妙的数据处理技术以及降维和基于套索的估计方法。我们不仅结合了几个已知的特征，如季节性行为或可再生能源等其他过程的影响，而且还结合了投标结构的全新的详细程式化事实。我们的模型能够捕捉电价的非线性行为，这对于预测巨大的价格峰值特别有用。使用模拟方法，我们展示了如何获得预测区间的概率预测。我们描述并展示了德国和奥地利日前EPEX现货价格的建议方法。
2016-08-17 q-fin.ST q-fin.TR
Econometric modelling and forecasting of intraday electricity prices
在下面的论文中，我们分析了ID $_3$ -价格在德国的日内连续电力市场使用计量经济学时间序列模型。分别对每小时和每季度产品进行了多变量方法。我们使用套索和弹性网络技术估计模型，并进行样本外的非常短期的预测研究。该模型的性能与基准模型进行了比较，并进行了详细讨论。预测结果提供了新的见解，德国日内连续电力市场的效率和ID $_3$ -价格行为。
2019-09-23 econ.EM q-fin.ST stat.AP
Are low frequency macroeconomic variables important for high frequency electricity prices?
最近的研究发现，预测电价是非常相关的。在许多应用中，通过使用自己的滞后或可再生能源来预测每日电价可能会很有趣。然而，最近能源价格的动荡和俄罗斯-乌克兰战争使人们更加重视评估工业生产和采购经理人指数产出调查在预测每日电价方面的相关性。我们开发了一个贝叶斯反向无限制MIDAS模型，该模型解释了德国和意大利的每日价格和月度宏观变量之间的频率不匹配。我们发现，包括宏观经济低频变量是更重要的是通过点和密度措施的短期比中期的视野。特别是，通过结合硬信息和软信息，准确性得到提高，而仅使用调查数据的预测不如仅使用工业生产数据的预测准确。
2022-12-20 econ.EM q-fin.ST
Change of persistence in European electricity spot prices
欧洲电力交易所推出了日前拍卖和连续交易现货市场，以促进可再生电力的插入。这些市场的目的是在短时间内平衡过剩或缺乏的权力，这导致了一个大的随机变化的电价。此外，不同市场的电价时间序列表现出不同的随机记忆性，这似乎是导致电价波动较大的原因。特别是，我们显示了对立的时间相关性，在日内15分钟现货市场相比，提前一天的小时市场。我们对比的结果，从去趋势波动分析（DFA）的一个新的方法的基础上的Kramers-Moyal方程的规模。对于非常短期（$<12$小时），所有价格时间序列显示正的时间相关性（赫斯特指数$H>0.5$），除了日内15分钟的市场，它显示出很强的负相关性（$H<0.5$）。对于涵盖两天的较长时间段，所有价格时间序列都是反相关的（$H<0.5$）。
2021-12-07 physics.soc-ph q-fin.ST
Investigating the effect of competitiveness power in estimating the average weighted price in electricity market
Lebanese French University（黎巴嫩法国大学）；University of Kurdistan Hewler（库尔德斯坦休勒大学）
本文研究了电力市场条件下，发电商的电量范围对电价的影响。在一天中的特定时间内的电力市场的竞争程度被认为是实现这一点。在此基础上，分析了竞争程度对日电价预测精度的影响。价格预测模型的基础上，多层感知通过反向传播与Levenberg-Marquardt机制。剩余供给指数（RSI）和其他影响价格的变量被用作模型的输入，以评估市场竞争力。结果表明，使用市场力指数作为输入有助于提高预测精度。因此，在不同的日常时间段的市场势力的竞争程度是一个显着的价格形成变量。此外，市场参与者不能忽视市场力量在价格预测中的解释力。在这项研究中，使用了2013年电力市场的真实数据，数据的主要来源是伊朗的电网管理公司。
2019-07-27 cs.LG q-fin.ST
Short- to Mid-term Day-Ahead Electricity Price Forecasting Using Futures
由于市场的自由化，能源结构的变化和周围的能源法律，电力研究是一个动态变化的领域，不断变化的挑战。投资决策面临的一个挑战是，尽管电价的时间序列变化很大，但仍要提供可靠的短期和中期预测。本文解决了这个问题，在一个有前途的和新颖的方法。通过将计量经济学自回归模型的短期精度与市场参与者对短期和中期未来价格的预期相结合，我们发现预测性能可以大大提高，同时保持每小时的精度。我们调查了德国和奥地利的EPEX现货日前电价，并建立了一个模型，其中包括德国和奥地利的EEX的Pelix未来。该模型可以被认为是一个AR 24-X模型，一天中的每个小时都有一个不同的模型。我们能够表明，未来数据包含了前一天电价的未来时间段的相关价格信息。我们表明，仅依赖于确定性的外部回归可以提供稳定的预测范围的多个星期。通过实现一个快速，有效的套索估计方法，我们证明了我们的模型可以优于文献中的其他几个模型。
2018-01-31 q-fin.ST
Distributional neural networks for electricity price forecasting
本文提出含概率层的分布神经网络，输出2参数正态或4参数Johnson SU分布，在德国日前电价概率预测中显著优于LASSO与分位数回归平均等基准。
2022-12-10 q-fin.ST stat.AP stat.ML
Efficient Modeling and Forecasting of the Electricity Spot Price
可再生能源，特别是太阳能和风能的重要性日益增加，导致电价形成新的力量。因此，本文介绍了一个计量经济学模型的每小时时间序列的欧洲电力交易所（EPEX）的电价，其中包括具体功能，如可再生能源。该模型由几个复杂的和建立的方法，可以被视为一个周期性的VAR Tstrom与风力发电，太阳能发电，负载的影响时间序列。它能够映射德国电价的独特和众所周知的特征。一个有效的迭代加权套索方法用于估计。此外，它表明，几个现有的模型优于本文开发的程序。
2014-10-13 econ.EM q-fin.ST q-fin.TR
Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short Term Electricity Price Forecasting
Institute of High Commercial Studies of Sousse (IHEC)（苏塞高等商业学院（IHEC））
准确的电价预测是市场参与者的主要管理目标，因为它代表了市场参与者利润最大化的基本基础。然而，电力是一种不可储存的商品，电价受一些社会和自然因素的影响，这使得电价预测具有挑战性。本研究探讨了一种新的混合模型的预测性能的基础上的广义长记忆自回归模型（k因子GARMA），Gegenbauer广义自回归条件异方差（G-GARCH）过程，小波分解，局部线性小波神经网络（LLWNN）优化使用两种不同的学习算法，反向传播算法（BP）和粒子群优化算法（PSO）。所提出的模型的性能进行评估使用的数据从北池电力市场。此外，它与其他一些参数和非参数模型进行了比较，以证明其鲁棒性。实验结果表明，该方法的性能优于其他竞争技术。
2022-04-18 cs.LG q-fin.ST
The value of forecasts: Quantifying the economic gains of accurate quarter-hourly electricity price forecasts
我们提出了一个多变量弹性网络回归预测模型，德国每季度电力现货市场。虽然文献是不同的一天前的预测方法，无论是日内连续和日内呼叫拍卖价格没有得到深入研究，明确的重点是预测能力。除了电价预测外，我们还检查早盘（DA）EXAA价格对盘中预测的影响。本文的另一个新颖之处是对经济效益的补充讨论。精确的估计如果不能被利用，就毫无价值。我们根据我们的预测方案详细阐述可能的交易决策，并分析其货币影响。我们发现，即使是简单的电力交易策略，可以导致实质性的经济影响，如果结合一个体面的预测技术。
2018-11-21 econ.EM q-fin.PM q-fin.RM
Electricity Spot Prices Forecasting Using Stochastic Volatility Models
本研究采用随机波动率模型并引入外生回归变量，生成日前电力现货价格的概率预测，推导出比基线模型拟合度更好的丰富模型，样本外预测证实其稳健性，可用于对冲电力交易风险。
2024-06-09 q-fin.ST q-fin.TR
Probabilistic forecasting of German electricity imbalance prices
可再生能源能力的指数增长给电价和发电带来了很大的不确定性。为了应对这一挑战，能源交易所一直在开发更多的交易可能性，特别是日内和平衡市场。对于同时参与两个市场的能源交易商来说，对不平衡价格的预测特别重要。因此，在这篇手稿中，我们进行了一个非常短期的不平衡价格的概率预测，有助于在这个新的主题稀缺的文献。预测是在交割前30分钟进行的，这样交易者仍然可以选择交易地点。不平衡价格的分布建模和预测使用众所周知的方法在电力价格预测文献：套索与引导，gamlss和概率神经网络。在一个有意义的滚动窗口研究的方法进行了比较，一个天真的基准。结果提供了证据的效率之间的日内和平衡市场的复杂的方法并没有实质上超过日内连续价格指数。另一方面，它们显著提高了经验覆盖率。该分析是在德国市场上进行的，但它可以很容易地应用于任何其他类似结构的市场。
2022-05-23 econ.EM q-fin.ST stat.ML
Predictability of price movements in deregulated electricity markets
在本文中，我们调查在加拿大艾伯塔省和安大略省，以及在美国中C市场的电价的可预测性。使用尺度相关的去趋势波动分析，频谱分析和概率分布分析，我们表明，所研究的市场表现出强烈的反持续性，这表明他们的动态可以预测的基础上，在整个时间尺度范围内的历史价格记录从一个小时到一个月。对于这两个加拿大市场，价格变动揭示了三种类型的相关行为，可用于预测。所发现的情景在长达一个月的不同时间尺度上以及在高峰和非高峰电力数据上保持相同。这些情景代表了价格的急剧上涨，并且由于其波动性较低，因此在Mid-C市场中不存在。我们认为，极端的价格波动在这个市场应该遵循相同的趋势，更不稳定的加拿大市场。帕累托指数的估计值表明，这些事件的预测可以是统计稳定的。所获得的结果提供了新的相关信息，用于管理与电力衍生品在超过一天的时间范围内的动态相关的金融风险。
2015-01-23 physics.data-an physics.soc-ph q-fin.ST
Measuring Anti-Correlations in the Nordic Electricity Spot Market by Wavelets
我们考虑北欧电力现货市场从1992年中期到2000年底。这个市场被发现是很好的近似由一个反持续的自仿射（均值回复）行走。它的特点是赫斯特指数的$H\simeq 0.41$超过三个数量级的时间范围从天到年。我们认为，为了看到这样一个良好的缩放行为，并找到交叉，这是至关重要的，分析技术是使用{ \em缩放}。在我们的情况下，这是通过利用（多尺度）小波方法来实现的。不解耦尺度的方法的缺点是通过将经典的$R/S$和傅立叶技术应用于同一数据集来说明的，对于这些技术，尺度制度和/或交叉位置很难定义。
2003-04-25 cond-mat.dis-nn q-fin.ST
Probabilistic multivariate electricity price forecasting using implicit generative ensemble post-processing
预测不确定性的可靠估计是风险敏感最优决策的关键。在本文中，我们提出了隐式生成集成后处理，多变量概率电价预测的新框架。我们使用一个基于点预测模型集合的无似然隐式生成模型来生成具有一致依赖结构的多变量电价场景，作为联合预测分布的表示。我们的集成后处理方法优于成熟的模型组合基准。这一点在德国日前市场的数据集上得到了证明。由于我们的方法在特定领域的专家模型集合之上工作，因此可以很容易地部署到其他预测任务中。
2020-05-27 econ.EM q-fin.RM q-fin.ST
Complexity and Persistence of Price Time Series of the European Electricity Spot Market
可再生能源的巨大可变性是向可持续能源系统过渡的一个核心挑战。电力市场是协调发电的核心。这些市场永远依赖于短期交易，以促进发电和需求的平衡，并使小生产者能够实现系统一体化。这些现货市场的电力价格波动明显，出现极端峰值和偶尔的负价格。在这篇文章中，我们分析了欧洲EPEX市场的电价时间序列，特别是每小时的前一天，每小时的日内，15分钟的日内市场价格。我们量化了波动、相关性和极端事件，并揭示了市场动态的不同时间尺度。12小时以下和12小时以上时间尺度的短期波动表现出明显不同的特征。波动具有很强的相关性，并且持续时间低于12小时，这有助于极端的价格事件和强烈的多重分形行为。在更长的时间尺度上，它们变得反相关，价格时间序列恢复到平均值，12小时后赫斯特系数明显下降。长期行为受到典型时间尺度为四天的大规模天气模式演变的强烈影响。我们详细阐明这种依赖关系，使用环流天气类型的分类。时间尺度的分离使得能够进行超统计处理，这确认了四天的特征时间尺度，并促使使用$q$ -高斯分布作为电价的经验分布的最佳拟合。
2021-12-02 nlin.AO physics.soc-ph q-fin.ST
Calibration window selection based on change-point detection for forecasting electricity prices
我们采用最近提出的变点检测算法，窄过阈值（NOT）的方法，选择子周期的过去的观察，是类似于当前记录的值。然后，与传统的时间序列方法，其中最近的$τ$观测值作为校准样本，我们估计自回归模型只在这些子周期的数据。我们使用一个具有挑战性的数据集-德国EPEX SPOT市场的日前电价-来说明我们的方法，并观察到与常用方法（包括自回归混合最近邻（ARHNN）方法）相比，预测精度有了显着提高。
2022-04-02 cs.CE q-fin.ST stat.AP
Neural networks in day-ahead electricity price forecasting: Single vs. multiple outputs
Wrocław University of Science and Technology（弗罗茨瓦夫科技大学）；Delft University of Technology（代尔夫特理工大学）；Energyville（能源城）；Flemish Institute for Technological Research (VITO)（弗拉芒技术研究院）
人工智能和机器学习方法领域的最新进展导致其在文献中的受欢迎程度显著增加，包括电价预测。所述方法覆盖非常广泛的范围，从决策树，通过随机森林到各种人工神经网络模型和混合方法。在电价预测中，神经网络是最流行的机器学习方法，因为它们为经过良好测试的线性回归模型提供了非线性对应物。然而，它们的应用并不简单，需要考虑多种实施因素。其中一个因素是网络的结构。本文对使用深度神经网络时两种最常见的结构进行了全面比较-一种是分别关注一天中的每个小时，另一种是反映每日拍卖结构和价格模型向量。结果表明，使用后者的显着的准确性优势，从五个不同的电力交换的数据证实。
2020-08-18 cs.LG q-fin.ST stat.AP
A Common Shock Model for multidimensional electricity intraday price modelling with application to battery valuation
本文提出一种基于Poisson测度和Common Shock Poisson Model的多维电力日内价格统计模型，能同时模拟所有产品并再现Samuelson效应与价格相关性结构，仅含三个参数并可用矩方法估计，在动态规划储能估值案例中验证了其实用性。
2023-07-31 q-fin.ST q-fin.TR stat.AP
Stealing profits: Spread-based temporal hierarchy forecasting for day-ahead electricity markets
Wrocław University of Science and Technology（弗罗茨瓦夫理工大学）；Indicio Technologies AB（因迪西奥科技公司）
本研究提出时序层次预测框架，通过协调小时电价与日内价差预测，在欧洲两市场提升精度达19.7%、利润达10.4%，并揭示统计精度提升未必带来经济决策改善。
2026-09-22 cs.LG econ.EM q-fin.ST
Modeling the stylized facts of wholesale system marginal price (SMP) and the impacts of regulatory reforms on the Greek Electricity Market
这项工作提出了一个实证研究的结果，其目标是建模的日常邮政系统边际价格（SMP）的希腊批发电力市场的程式化的事实，从2004年1月至2011年12月的数据。SMP在这里被认为是一个强调随机和非线性过程的足迹，它承载了所有的信息，不仅反映了市场内生或基本面因素变化的影响，而且还反映了一系列不断改变市场微观结构的监管改革的影响。为了捕捉动态的条件平均值和波动性的SMP生成程式化的事实（均值回归，价格尖峰，肥尾价格分布等），一些ARMAX GARCH模型已估计使用作为回归的一组广泛的基本因素，在希腊电力市场以及虚拟变量，模仿监管机构的干预的历史。研究结果表明，改革所造成的市场微观结构的变化，强烈影响了SMP的动态演变和最好的发现模型捕捉充分的程式化的事实，其他电力和金融市场的份额。该模型所产生的条件波动的动态可以是非常有用的努力，正在进行的市场重组，使希腊市场更符合欧洲目标模型的要求。
2014-01-20 q-fin.ST
A Dual Generalized Long Memory Modelling for Forecasting Electricity Spot Price: Neural Network and Wavelet Estimate
本文提出了一种双广义长记忆模型来预测电价。首先，我们专注于建模的条件均值的系列，所以我们采用了广义分数k因子Gegenbauer过程（k因子GARMA）。其次，k因子GARMA模型的残差被用作条件方差的代理;这些残差使用两种不同的方法进行预测。在第一种方法中，局部线性小波神经网络模型（LLWNN）已经开发出使用两种不同的学习算法来预测条件方差，因此我们估计混合k因子GARMA-LLWNN基于反向传播（BP）算法和基于粒子群优化（PSO）算法。在第二种方法中，Gegenbauer广义自回归条件异方差过程（G-GARCH）已被采用，和k-因子GARMAG- GARCH模型的参数已被估计使用基于离散小波包变换（DWPT）方法的小波方法。为了说明我们方法的有效性，我们使用Nord Pool市场的每小时电价回报进行了实证应用。实证结果表明，k因子GARMA-G- GARCH模型在预测标准方面具有最好的预测精度，并发现这是更适合的预测。
2022-04-18 q-fin.ST
Online Multivariate Regularized Distributional Regression for High-dimensional Probabilistic Electricity Price Forecasting
Statkraft Trading GmbH（Statkraft交易有限公司）；University of Duisburg-Essen（杜伊斯堡-埃森大学）
本文提出一种在线算法，用于高维概率电力价格预测，通过结合多变量分布回归与在线坐标下降和LASSO正则化，实现对电力价格条件均值、方差和依赖结构的高效建模，并在德国日间市场数据中验证了其有效性。
2026-11-10 econ.EM q-fin.ST stat.AP
Stealing Accuracy: Predicting Day-ahead Electricity Prices with Temporal Hierarchy Forecasting (THieF)
Wrocław University of Science and Technology（弗罗茨瓦夫科技大学）；University of Skövde（斯科夫德大学）
利用时间层次预测（THieF）提升日-ahead电力价格预测精度，通过协调不同时间粒度的预测结果显著提高准确性。
2026-03-04 econ.EM q-fin.ST
Regularization for electricity price forecasting
本研究在两种模型结构和两个电力市场中评估了十种惩罚函数在电力价格预测中的表现，发现 LQ 和 elastic net 始终优于包括 LASSO 在内的其他正则化方法，且交叉验证在参数优化中表现最佳。
2024-04-05 q-fin.ST stat.AP
A Comparison of Various Electricity Tariff Price Forecasting Techniques in Turkey and Identifying the Impact of Time Series Periods
在竞争性市场环境下，预测电价变化对供应商和分销商制定竞价策略至关重要。在这一领域取得成功的前提是需要准确、适用的电价预测工具。在有效的预测工具的存在下，以利润和效益最大化为目标的生产、销售、维修和投资决策可以成功而有效地完成。根据电力需求，土耳其有四种不同的电价定价;单色，白天，高峰和夜晚。目标是找到最合适的工具来预测电力的四个定价期，并产生短期预测（一年前每月）。我们的方法基于找到最佳模型，确保最小的预测误差测量：MAPE，MAD和MSD。我们对九个青少年的各种预测方法进行了比较，至少所有这些方法都有不同的方法论方面。我们的第一步是对2015年进行预测。我们验证并分析了最佳模型的性能，并进行了比较，以了解2015年的历史值与该特定时期的预测数据的匹配程度。结果表明，给定的时间序列数据，推荐的模型提供了良好的预测。第二部分的实践，我们还包括2015年，并计算所有的模型与时间序列的2011年1月至2015年12月。再次通过选择最合适的预测模型，我们进行了预测过程，并分析了增强时间序列周期（2007年1月至2015年12月）对我们用于预测过程的模型的影响。
2016-08-18 q-fin.ST
Optimal bidding in hourly and quarter-hourly electricity price auctions: trading large volumes of power with market impact and transaction costs
University of Duisburg-Essen（杜伊斯堡-埃森大学）
本文研究了在小时和季度电力拍卖中如何通过最小化价格影响而非最大化套利来提高利润。
2022-02-09 q-fin.MF q-fin.PM q-fin.ST
Extrapolating the long-term seasonal component of electricity prices for forecasting in the day-ahead market
本文提出一种新方法，通过利用未来24小时电价预测外推价格序列并提取趋势-季节性模式，改进了日前市场中长期季节性分量（LTSC）的预测，在德西市场测试中显著提升了预测精度与交易利润。
2025-03-04 econ.EM q-fin.RM q-fin.ST
Multi-scaling of wholesale electricity prices
我们实证分析了北美两个批发电力市场的电价时间序列中最不稳定的成分。我们发现，这些时间序列表现出的波动是不描述的布朗运动，因为它们显示多尺度，高赫斯特指数和急剧的价格变动。我们使用广义赫斯特指数（GHE，$H(q)$）来表明，尽管这些时间序列具有很强的周期性成分，但波动表现出持久的行为，即，$H(q)>0.5$。我们调查的有效性GHE作为一个简单的线性预测模型中的预测工具，并研究预测误差作为$H(q)$的函数，与$q=1$和$q=2$。我们的研究结果表明，GHE可以作为预测工具，这些时间序列时，赫斯特指数动态评估滚动时间窗口大小$\approx 50 - 100$小时。这些结果也比较的情况下，其中的周期性成分已被从时间序列中减去，显示的重要性，周期性的预测能力的赫斯特指数。
2015-07-21 cond-mat.stat-mech physics.soc-ph q-fin.ST
Using published bid/ask curves to error dress spot electricity price forecasts
电力现货价格的准确预测对于电力生产商和分销商的日常运营和规划决策至关重要。通常情况下，这些数量的点预测就足够了，特别是在北方联营市场，大量的水力发电导致价格稳定。然而，当情况变得不规则时，价格表上的偏差往往会非常大，难以精确定位，这是由于在负荷曲线边缘的发电设施的边际成本变化很大。在这些情况下，用分布预测取代点预测是有用的，特别是其尾部适应当前生产状况的预测。这项工作概述了一种方法，利用公布的出价/要价信息从北池市场构建这样的自适应预测分布。我们的方法是一个非标准的应用程序的错误敷料的概念，它耦合的功能驱动的错误分布在体积空间与非线性变换通过公布的出价/要价曲线，以获得高度非对称的，自适应的价格分布。使用Nord Pool市场的数据，我们证明了我们的方法优于更标准形式的分布建模。我们进一步展示了如何可以使用这样的分布来呈现“预警系统”，发出可靠的价格超过各种重要阈值的概率。
2018-12-06 q-fin.ST stat.AP
Postprocessing of point predictions for probabilistic forecasting of day-ahead electricity prices: The benefits of using isotonic distributional regression
针对现有电价模型多仅提供点预测的问题，本文研究三种点预测转概率预测的后处理方法，发现保序分布回归对集成贡献最大，且集成方法在德西电力市场测试中性能优于前沿分布深度神经网络。
2024-10-06 q-fin.ST stat.AP stat.ML
Forecasting day-ahead electricity prices in Europe: the importance of considering market integration
Delft University of Technology（代尔夫特理工大学）；VITO-Energyville（VITO-能源城）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
在电力市场日益一体化的激励下，本文提出了两种不同的方法，将市场一体化的电价预测，提高预测性能。首先，我们提出了一个深度神经网络，它考虑了连接市场的特征，以提高本地市场的预测准确性。为了衡量这些功能的重要性，我们提出了一种新的功能选择算法，通过使用贝叶斯优化和功能方差分析，评估算法性能的功能的影响。此外，使用市场整合，我们提出了第二个模型，通过同时预测两个市场的价格，进一步提高了预测精度。作为一个案例研究，我们考虑在比利时的电力市场和预测精度的提高时，使用各种法国电力功能。我们表明，这两个模型导致统计上显着的改进。特别是，由于市场整合，预测精度从15.7%提高到12.5%sMAPE（对称平均绝对百分比误差）。此外，我们表明，所提出的特征选择算法能够执行正确的评估，即丢弃不相关的功能。
2017-12-07 cs.CE cs.LG cs.NE
Electricity Price Forecasting: The Dawn of Machine Learning
电力价格预测（EPF）是电力工程、统计学、计算机科学和金融学的一个分支，主要研究在整个范围内预测电力批发市场的价格。这些时间范围从几分钟（实时/日内拍卖和连续交易）到几天（日前拍卖），到几周，几个月甚至几年（交易所和场外交易的期货和远期合约）。在过去的25年中，各种方法和计算工具已被应用于日内和日前EPF。直到21世纪10年代初，该领域一直由相对较小的线性回归模型和（人工）神经网络主导，通常不超过20多个输入。随着时间的推移，更多的数据和更多的计算能力变得可用。模型变得越来越大，以至于专家知识不再足以管理复杂的结构。这反过来又导致了机器学习（ML）技术在这个快速发展和迷人的领域的引入。在这里，我们概述了截至2022年的主要趋势和EPF模型。
2022-04-02 eess.SP q-fin.ST stat.AP
Day-ahead electricity price forecasting with high-dimensional structures: Univariate vs. multivariate modeling frameworks
我们进行了广泛的实证研究短期电价预测（EPF），以解决长期存在的问题，如果EPF的最佳模型结构是单变量或多变量。我们提供的证据表明，尽管总体预测性能略有优势，但在所有12个考虑的数据集、一年中的季节或一天中的小时数中，多变量建模框架的表现并不一致优于单变量建模框架，有时甚至优于后者。这表明，结合两种建模方法的高级结构或相应的预测可以进一步提高预测精度。我们表明，这确实可以是这种情况下，即使是一个简单的平均计划，只涉及两个模型。最后，我们还分析了最佳性能的高维套索型模型的变量选择，从而提供指导方针，以构建更好的性能预测模型的设计。
2018-05-17 q-fin.ST stat.AP stat.ML
