From day-ahead to mid and long-term horizons with econometric electricity price forecasting models
针对能源危机引发的中长期电价预测需求,提出通过约束系数、纳入季节性预期和推演同日关系解决关键挑战,在德国市场利用正则化回归和广义可加模型构建了从日前到提前一年的可解释预测框架。
2024-08-25 econ.EM 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
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
Combining predictive distributions of electricity prices: Does minimizing the CRPS lead to optimal decisions in day-ahead bidding?
本文通过德国EPEX市场数据实证研究,发现最小化CRPS的加权技术在日前竞价中虽提高预测精度,但计算成本高且未带来更高利润,多样性对准确性有正面影响。
2023-08-29 econ.EM q-fin.ST stat.CO
Probabilistic Forecasting for Day-ahead Electricity Prices, Battery Trading Strategies and the Economic Evaluation of Predictive Accuracy
University of Duisburg-Essen(杜伊斯堡-埃森大学);Statkraft Trading GmbH(Statkraft交易有限公司)
本文探讨了概率预测在电力价格、电池交易和预测准确性评估中的应用,指出传统量化交易策略的不足,并通过德国电力市场案例研究,揭示了预测模型评估的挑战与改进方向。
2026-04-21 econ.EM q-fin.PM q-fin.ST
Multivariate Probabilistic CRPS Learning with an Application to Day-Ahead Electricity Prices
University of Duisburg-Essen(杜伊斯堡-埃森大学);Chair of Environmental Economics, esp. Economics of Renewable Energy(环境经济学(侧重可再生能源经济学)教席)
本文提出一种基于Bernstein在线聚合的多元概率预测在线组合方法,通过平滑处理分位数依赖,在日前电价24维预测中显著优于均匀组合,并提供了R包实现。
2024-02-06 cs.LG econ.EM q-fin.CP
Hierarchical forecasting for aggregated curves with an application to day-ahead electricity price auctions
University of Duisburg-Essen(杜伊斯堡-埃森大学);Chair of Environmental Economics, esp. Economics of Renewable Energy(环境经济学(尤其是可再生能源经济学)教席)
本研究利用聚合曲线的内在分层结构,提出新型aggregated-down基准协调方法,结合已有分层协调方法,通过德国日前电力拍卖市场实证验证,有效提升了聚合曲线的预测精度。
2023-05-25 cs.LG econ.EM q-fin.TR
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
Estimating Dynamic Conditional Spread Densities to Optimise Daily Storage Trading of Electricity
London Business School(伦敦商学院)
本文制定了动态密度函数,基于偏t和类似的表示,建模和预测不同时间的一天之间的电价差。这支持最佳的提前一天的存储和放电时间表,从而促进了投标策略的商人套利设施到提前一天的拍卖批发电力。密度函数的四个潜在时刻是动态的,并取决于外部驱动因素,从而允许密度的均值、方差、偏度和峰度每小时响应天气和需求预测等因素。根据累积密度函数的封闭形式解析解,基于弹球损失函数选择每个排列的最佳规格。这些分析性质还允许计算与价差套利相关的风险。根据这些分布密度,确定电池存储设施的最佳日常操作。
2019-03-09 cs.LG econ.EM q-fin.TR
Conformal Prediction Interval Estimations with an Application to Day-Ahead and Intraday Power Markets
本文讨论了共形预测的概念。虽然它最初源于机器学习领域,但从未在短期电价预测的背景下应用或分析。因此,我们详细阐述了共形预测值得了解的方面,并解释了为什么它简单而高效的想法在其他应用领域也有效,以及为什么它的特性在短期电力应用中也很有前途。我们比较了它的性能与不同的国家的最先进的电价预测模型,如分位数回归平均(QRA)在一个经验的样本外研究的三个短期电力时间序列。我们将共形预测与各种基础点预测模型相结合,以展示其在不断变化的条件下的多功能性和行为。我们的研究结果表明,共形预测在短期电力市场中产生尖锐和可靠的预测区间。我们进一步检查每个共形预测模型组件的效果,并提供如何为每个市场找到最佳CP模型的基于路径的指南。
2020-09-17 econ.EM q-fin.PM q-fin.TR
Forecasting of volatility and risk premia in electricity markets
Aarhus University(奥胡斯大学);BI Norwegian Business School(挪威BI商学院);CoRE, Center for Research in Energy: Economics and Markets(能源经济与市场研究中心)
研究电力市场已实现协方差的预测,通过构建简约矩阵HAR模型,发现纳入更长的时间跨度和可再生能源发电信息能显著提升预测能力,并利用方差预测改进远期市场价差风险溢价的预测。
2026-06-04 econ.EM q-fin.GN
Anomaly Detection in California Electricity Price Forecasting: Enhancing Accuracy and Reliability Using Principal Component Analysis
U.S. Department of Energy(美国能源部);SAS Institute(SAS研究所)
本研究针对加州电网电价预测的复杂数据与异方差挑战,结合PCA、RPCA及SAS稀疏矩阵离群点去除方法优化特征,构建回归模型,显著提升日前电价预测准确性,助力可再生能源并网与电网管理。
2024-11-25 cs.AI cs.ET cs.LG
Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories
University of Duisburg-Essen(杜伊斯堡-埃森大学)
最近关于点电价预测的研究表明,每小时德国日内连续市场是弱式有效的。因此,我们采取了一种新颖的、先进的方法来解决这个问题。通过模拟每个交易窗口中的轨迹来执行每小时日内电价的概率预测,以接收真实的集合,从而允许更有效的日内交易和重新调度。一个广义的加法模型被拟合到价格差,假设它们遵循零膨胀分布,确切地说是狄拉克分布和学生t分布的混合。此外,使用具有套索惩罚的高维逻辑回归估计混合项。我们使用i.a.对序列的期望值和波动率进行建模。自回归和无交易效应或负荷、风能和太阳能发电预测,并考虑到例如到期时间的非线性。使用滚动窗口预测研究的样本内特性和预测性能进行了分析。多个版本的模型进行了比较,几个基准模型,并使用概率预测措施和显着性检验进行评估。该研究旨在预测德国日内连续市场在最后3小时交易中的价格分布,但该方法可以应用于其他连续市场,特别是欧洲市场。结果证明了混合模型的优越性,从波动率的建模中获得最多的基准。它们还表明,XBID的引入降低了市场波动。
2020-08-29 cs.LG cs.SY econ.EM
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
Comparing the Forecasting Performances of Linear Models for Electricity Prices with High RES Penetration
Free University of Bozen-Bolzano(博尔扎诺自由大学);London Business School(伦敦商学院);BI Norwegian Business School(挪威商业管理学院);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
本文比较了单变量与多变量模型、频率主义与贝叶斯自回归及向量自回归规范在小时提前电力价格中的表现,涵盖有和无可再生能源发电的四个主要欧洲市场,研究不同可再生能源发电水平下的预测准确性。结果显示,带有外生变量的贝叶斯VAR规范在点预测和密度预测方面均优于其他多变量和单变量规范。
2019-11-12 econ.EM econ.GN q-fin.EC
Forecasting the Intra-Day Spread Densities of Electricity Prices
London Business School(伦敦商学院)
电力交易商、仓储和电动汽车运营商对日内价差感兴趣。本文制定了动态密度函数,基于偏T和类似的表示,模型和预测德国的电力价格之间的价差不同的时间的一天,揭示了在一天前的拍卖。密度函数的四个规格是动态的,并取决于外部驱动程序,从而允许密度的位置,规模和形状参数,以每小时响应天气和需求预测等因素。每个价差的最佳拟合和预测规格是根据弹球损失函数选择的,遵循累积分布函数的封闭形式解析解。
2020-02-20 cs.LG econ.EM stat.AP
The fine structure of electricity price volatility
Aarhus University(奥胡斯大学);BI Norwegian Business School(挪威BI商学院);CoRE, Center for Research in Energy: Economics and Markets(能源、经济与市场研究中心)
本文首次研究了欧洲三个发电区电力价格波动,通过建立隐含价格过程的随机偏微分方程,开发了周积分方差估计器,并揭示了各区域波动驱动因素的差异。
2026-05-13 econ.EM q-fin.GN
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
The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets
Newcastle University(纽卡斯尔大学);School of Computing(计算机学院)
电力供应必须始终与需求相匹配。这有助于减少诸如负载频率控制和停电等问题的机会。为了更好地了解未来24小时可能需要的负荷,需要进行不确定性下的估计。这在分散的电力市场中尤其困难,因为许多微型生产者不受中央控制。在本文中,我们研究了11种离线学习和5种在线学习算法对预测未来24小时电力需求曲线的影响。我们通过在长期的基于代理的模型ElecSim中进行集成来实现这一目标。通过预测未来24小时的电力需求曲线,我们可以模拟对未来一天市场的预测。一旦我们做出了这些预测,我们从剩余分布中采样,并使用模拟ElecSim扰动电力市场需求。这使我们能够了解错误对分散式电力市场长期动态的影响。我们表明,我们可以减少30%的平均绝对误差使用在线算法相比,最好的离线算法,同时减少所需的投标国家电网储备。国家电网储备的减少导致成本和排放的节省。我们还表明,预测准确性的大误差对17年时间框架内的投资以及电力组合有不成比例的误差。
2021-03-07 cs.LG econ.EM