楼主: 大多数88
50 9

[量化金融] 能源市场深度学习 [推广有奖]

  • 0关注
  • 1粉丝

会员

学术权威

68%

还不是VIP/贵宾

-

威望
10
论坛币
10 个
通用积分
39.8320
学术水平
0 点
热心指数
4 点
信用等级
0 点
经验
23414 点
帖子
3900
精华
0
在线时间
0 小时
注册时间
2022-2-24
最后登录
2022-4-15

楼主
大多数88 在职认证  发表于 2022-6-23 18:48:47 |只看作者 |倒序

+2 论坛币
k人 参与回答

沙巴电竞网址送您一份

应届毕业生专属福利!

求职就业群
赵安豆老师微信:zhaoandou666

沙巴电竞网址联合CDA

送您一个全额奖学金名额~ !

感谢您参与论坛问题回答

沙巴电竞网址送您两个论坛币!

+2 论坛币
英文标题:
《Deep Learning for Energy Markets》
---
作者:
Michael Polson and Vadim Sokolov
---
最新提交年份:
2019
---
英文摘要:
  Deep Learning is applied to energy markets to predict extreme loads observed in energy grids. Forecasting energy loads and prices is challenging due to sharp peaks and troughs that arise due to supply and demand fluctuations from intraday system constraints. We propose deep spatio-temporal models and extreme value theory (EVT) to capture theses effects and in particular the tail behavior of load spikes. Deep LSTM architectures with ReLU and $\\tanh$ activation functions can model trends and temporal dependencies while EVT captures highly volatile load spikes above a pre-specified threshold. To illustrate our methodology, we use hourly price and demand data from 4719 nodes of the PJM interconnection, and we construct a deep predictor. We show that DL-EVT outperforms traditional Fourier time series methods, both in-and out-of-sample, by capturing the observed nonlinearities in prices. Finally, we conclude with directions for future research.
---
中文摘要:
深度学习应用于能源市场,以预测在能源网格中观察到的极端负荷。预测能源负荷和价格具有挑战性,因为由于日间系统约束引起的供需波动,会出现尖峰和低谷。我们提出了深层时空模型和极值理论(EVT)来捕捉这些影响,尤其是负载尖峰的尾部行为。具有ReLU和$\\tanh$激活功能的深层LSTM体系结构可以对趋势和时间依赖性进行建模,而EVT可以捕获高于预先指定阈值的高波动性负载峰值。为了说明我们的方法,我们使用PJM互连4719个节点的每小时价格和需求数据,并构建了一个深度预测。我们发现,DL-EVT通过捕获价格中观察到的非线性,在样本内和样本外都优于传统的傅立叶时间序列方法。最后,我们总结了未来的研究方向。
---
分类信息:

一级分类:Statistics        统计学
二级分类:Machine Learning        机器学习
分类描述:Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文(监督,无监督,半监督学习,图形模型,强化学习,强盗,高维推理等)与统计或理论基础
--
一级分类:Computer Science        计算机科学
二级分类:Machine Learning        机器学习
分类描述:Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文(有监督的,无监督的,强化学习,强盗问题,等等),包括健壮性,解释性,公平性和方法论。对于机器学习方法的应用,CS.LG也是一个合适的主要类别。
--
一级分类:Quantitative Finance        数量金融学
二级分类:Statistical Finance        统计金融
分类描述:Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载:
--> Deep_Learning_for_Energy_Markets.pdf (3.79 MB)
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

关键词:深度学习 Applications Econophysics Fluctuations Architecture

沙发
kedemingshi 在职认证  发表于 2022-6-23 18:48:53 |只看作者
能源市场深度学习*和Vadim Sokolov+初稿:2018年4月该草案:2019年4月摘要深度学习应用于能源市场,以预测电网中观察到的极端负荷。预测能源负荷和价格具有挑战性,因为由于日间系统约束的供需波动,会出现尖峰和低谷。我们提出了深度时空模型和极值理论(EVT)来捕捉这些影响,尤其是负载尖峰的尾部行为。具有ReLU和tanh激活函数的深层LSTMarchitecture可以建模趋势和时间依赖性,而EVT可以捕获高于预先指定阈值的高度不稳定负载峰值。为了说明我们的方法,我们使用PJM互连4719个节点的每小时价格和需求数据,并构建了一个深度预测。我们发现,DL-EVT通过捕获价格中观察到的非线性,在样本内和样本外都优于传统的傅立叶时间序列方法。最后,我们总结了未来的研究方向。关键词:深度学习、PJM互联、EVT、机器学习、位置边际价格(LMP)、峰值预测、能源定价、智能电网、LSTM、ReLU。*迈克尔·波尔森是贝茨·怀特的研究员。电子邮件:michael。艾伦。polson@gmail.com+瓦迪姆·索科洛夫是乔治·梅森大学运筹学助理教授。电子邮件:vsokolov@gmu.edu1引言深度学习(DL)结合极值理论(EVT)被提出用于预测电网上的负荷和批发能源价格。这对于电网资源的经济运行至关重要,因为电网运行时无需大量存储,系统内的能源(供应)生成必须始终与能源(负荷)需求相匹配。

使用道具

藤椅
kedemingshi 在职认证  发表于 2022-6-23 18:48:56 |只看作者
由于影响日内电网条件的许多复杂因素,导致价格大幅波动,因此电价预测具有挑战性。开发了深层学习多层网络,以捕捉能源价格和需求的非线性和时空模式。极值理论定义的似然函数允许对峰值进行适当建模。由于供电必须不断适应负荷的变化,准确的预测对于做出信息丰富的短期和长期发电决策至关重要。准确预测负荷波动,尤其是剧烈波动,将消除某些波动性约束,从而能够提前部署发电和电网资源。传统的电价预测方法是将基于企业行为的经济模型应用于数据。最近,数据驱动分析(使用大型价格数据集和机器学习技术)被用于揭示价格模式。然而,用标准的深度学习模型预测供给和需求,未能解决峰值预测的重要性。深度学习模型旨在预测因变量的平均水平,通常不会捕获数据中的任何极端跳跃。此外,平方损失用于拟合模型,该模型隐含假设误差的高斯分布。因此,在电力市场的背景下,高斯模型非常适合预测系统的平均需求或能源价格,但无法捕捉依赖变量的峰值或真实的厚尾分布。到目前为止,数据驱动的模型还不够灵活,无法捕捉价格动态中的极端非线性。最近,深度学习者(DL)在预测具有高维非线性的大型数据集问题方面取得了经验上的成功。

使用道具

板凳
nandehutu2022 在职认证  发表于 2022-6-23 18:48:59 |只看作者
长-短期记忆(LSTM)为构建时空模型提供了一个框架(Dixon等人,2019年;Polson和Sokolov,2017b)。极端建模在金融风险管理领域有着悠久的历史,Poon等人(2003)。例如,Hilal等人(2011年)开发了股票指数的极值理论模型。与预测股票市场的价格一样,由于影响日内供需的许多复杂因素,预测批发电力市场的价格也具有挑战性。Davison等人(2012年)开发了自然过程极值的空间统计模型。峰值被建模为超过某个阈值。EVT为预测这些超标提供了框架,它预测了能量价格超过特定阈值的频率Davison和Smith(1990)。超过athreshold允许衡量与高价格相关的风险Smith(2002)。将极端价值理论(EVT)纳入深度学习,可以让我们捕捉到价格分布的尾部行为。我们开发了深度学习多层网络,以捕获价格分布中的非线性和时空模式。特别是,使用极值理论框架定义的似然函数,使我们能够正确建模价格飙升。在能源市场的背景下,捕捉峰值至关重要,因为它们是市场利益的核心组成部分。此外,与传统的深度学习方法相比,这种方法提供了一种改进,传统的深度学习方法通常只关注获取给定分布的平均值。我们的工作建立在Sigauke等人(2013)的基础上,他们开发了概率EVT模型,Shenoy和Gorinevsky(2014)使用广义线性模型,用EVT误差来模拟电力需求。本文的其余部分组织如下。第1.1节提供了与之前工作的连接。

使用道具

报纸
何人来此 在职认证  发表于 2022-6-23 18:49:02 |只看作者
第2节描述了电力和PJM互连的能源市场。第3节讨论了传统的深度学习模式。第4节使用极值理论(EVT)扩展了DLmodels。第5节提供了PJM的负荷和价格预测算法。最后,第6节总结了未来研究的方向。1.1之前已经研究了与先前用于预测每小时区位边际价格(LMP)的WorkData驱动的能源定价模型的联系(Catal  ao等人,2007年;Hong和Hsiao,2002年、2001年;Kim,2015年)。Hong和Hsiao(2001)提出了神经网络来预测PJM互连中的LMP。Mandal等人(2007年)使用神经网络来提高性能,而Catal▄ao等人(2007年);Kim(2015)预测了北欧电力现货市场Nord Pool的LMP。Wang等人(2017年)使用叠加去噪自动编码器预测美国中西部各个中心的价格,利用当地信息提高其预测性能。Hering和Genton(2010)考虑了风力发电的建模。我们的分析扩展了Liebl(2013)开发的电价功能数据分析方法。在另一项研究中,Cottet和Smith(2003)以及Wilson等人(2018)开发了arandom效应贝叶斯框架,以量化批发电价预测中的不确定性。J'onsson等人(2013年)预测电价,同时考虑风电预测。Christensen等人(2012年)预测电价将飙升。Cottetand Smith(2003)使用多元斜t分布对电价中的重轨进行建模。Benth和Schmeck(2014)使用L\'evy过程解决了价格数据的非高斯性质。Dupuis(2017)开发了一种去趋势关联方法,以捕捉电网纽约部分的价格动态。Garcia等人。

使用道具

地板
nandehutu2022 在职认证  发表于 2022-6-23 18:49:05 |只看作者
(2005)使用GARCH效应对一天价格预测解释价格的时变波动。Li等人(2007年)开发了一个模糊推理系统来预测LMP现货市场的价格。Subbayya等人(2013年)解决了模型选择问题。我们的方法将极值理论(EVT)与深度学习相结合。据我们所知,这是第一次开发和应用基于EVT的深度学习模型。2 PJM互联的能源价格PJM互联是一个区域输电组织(RTO),旨在建立一个有竞争力的批发电力市场,协调位于美国中大西洋和大湖区以及哥伦比亚特区的13个州的所有或部分地区的众多批发电力生产商和消费者。PJM分为20个传输区。每个区域都由负责设计和维护其系统份额的独立输电所有者拥有和运营。图1显示了PJM的负载节点和区域边界。PJM内的各个公用事业公司围绕峰值负荷规划其资源使用。预测这些峰值的强度和时间对于改进短期和长期决策至关重要。目前用于短期预测的方法主要集中于神经网络(天气频道,PJM)。PJM作为系统可靠性的保证人,负责防止系统内的停机。PJM通过协调各实体拥有的发电厂运营,以符合系统需求,以成本效益水平运行系统。

使用道具

7
kedemingshi 在职认证  发表于 2022-6-23 18:49:08 |只看作者
操作该系统包括确保实时需求得到满足,维持发电的服务能力,以及监测输电线路,以防止可能导致系统故障的过载线路(Cain等人,2007)。图1:PJM区域边界和节点位置PJM互连包含11000多个节点,每小时提前或实时报告价格。这些节点是特定的发电或负荷位置、不同位置、区域的集合,或与JM以外区域的互连点。我们检查了整个系统4700个负载节点的价格。在PJM互连内,几乎所有批发电力都是通过双边合同买卖的。其余部分在PJM运营的两个基于投标的电力市场上买卖:日前(DA)和实时(RT)市场。在日前市场中,市场参与者向调度运营商(PJM)提交购买或出售能源的出价或要约。运营商使用投标和报价来确定前一天的LMP,该LMP反映了在给定预期系统约束的位置提供电力所需的预期能源成本、阻塞和传输损耗。实时市场以类似的方式运行,但反映了在给定实际系统约束的位置提供电力的实际成本。尽管交易量相对较小,但实时市场在确定所有期货合约的价格方面发挥着核心作用,因为期货合约的价格取决于对实时市场价格的预期。日前市场是一个期货市场,允许发电商签订协议,为即将到来的一天提供电力。发电机可以通过实际生产电力或在实时市场上购买电力来履行提供能源的义务。

使用道具

8
能者818 在职认证  发表于 2022-6-23 18:49:11 |只看作者
多种因素(如意外维护)可能导致发电商通过在实时市场上购买而非发电来履行其义务。与日前市场相比,这些因素或风险会导致实时市场的大幅波动(FERC,2014)。实时市场中的价格是发电成本和系统约束(如输电线路阻塞)的函数。当这些约束条件具有约束力时,PJM互连中各个位置的价格会有所不同,以反映向非拥挤位置输送能源的相对情况以及向拥挤位置输送能源的相对难度。因此,每个节点(或位置)都有一个关联的位置边际价格(LMP),它反映了交付到该特定位置的边际电力单位的价格。LMP是日前和实时市场中的重要价格信号,为短期决策、长期投资和双边协议提供信息(Cain等人,2007年)。2.1本地边际价格数据(LMP)位置边际定价用于在PJM市场上对能源进行定价,以响应供需变化和硬件的物理约束。LMP考虑了产生能量的成本、在PJM RTO内传输该能量的成本以及能量在整个系统中传输时因阻力而损失的能量成本。LMP数据可访问www.pjm。com(PJM)。我们的研究使用价格数据,包括2017年1月1日至2017年12月31日的实时和日前小时价格。负荷价格代表在给定位置提供电力的成本。价格反映了系统的负荷(需求)、发电量和输电系统的限制。系统的约束可能会不对称地影响位置,导致不同位置的价格差异。

使用道具

9
kedemingshi 在职认证  发表于 2022-6-23 18:49:14 |只看作者
枢纽价格是这些区位价格的集合,旨在反映未竞争电价。LMP有三个组成部分:能量、拥塞和边际损耗。能源成分反映了电价,称为系统边际电价(SMP)。SMP是根据当前调度(供应)和负荷(需求)计算的。SMP是针对日前市场和实时市场计算的。每当给定节点发生拥塞时,拥塞分量都大于零。当交付限制阻止使用成本最低的发电机时,就会出现限制,例如,如果存在传输限制,则必须使用成本较高的发电机来满足需求。阻塞价格是使用影子价格计算的,影子价格是控制网格的优化问题中的双变量(违反约束的价格)的值。当所有约束均未激活时,所有拥堵价格均为零。边际损失部分反映了阿吉文地区的输电成本和其他损失。损耗是根据边际损耗系数定价的,边际损耗系数是在总线上计算的,代表因注入或退出功率的小幅增加而导致的系统损耗增加的百分比。变量名称DescriptionTotalLMP总成本;反映了LMP的能量+拥塞+边际损耗管理拥塞部分;可以是+ve或-veValue与LMP表1:LMP变量描述的能量分量边际LMP边际损失分量相关。2.2价格和需求的非线性由于位置边际价格中的拥挤成分,能源价格的动态是非线性的。阻塞价格表示在建模最优发电策略的线性规划中违反绑定约束的成本。

使用道具

10
mingdashike22 在职认证  发表于 2022-6-23 18:49:16 |只看作者
拥堵价格由负荷(消费者)支付给发电机(生产者)。拥堵价格实时计算,提前一天计算。这些限制是电网的几个物理限制的结果,包括由于电力系统设备的热容量、电压限制和稳定性限制而产生的热限制。

使用道具

您需要登录后才可以回帖 登录 | 我要注册

京ICP备16021002-2号 京B2-20170662号 京公网安备 11010802022788号 论坛法律顾问:王进律师 知识产权保护声明   免责及隐私声明

GMT+8, 2022-6-26 22:59