✖


Jump to content

Прогнозирование цен на электроэнергию

Add links

Прогнозирование цен на электроэнергию (EPF) — это отрасль прогнозирования энергетики , которая фокусируется на использовании математических , статистических моделей и моделей машинного обучения для прогнозирования цен на электроэнергию в будущем. За последние 30 лет прогнозы цен на электроэнергию стали фундаментальным вкладом в механизмы принятия решений энергетических компаний на корпоративном уровне. [1]

С начала 1990-х годов процесс дерегулирования и введение конкурентных рынков электроэнергии изменил ландшафт традиционно монопольных и контролируемых государством энергетических секторов. В Европе, Северной Америке, Австралии и Азии электроэнергия теперь торгуется по рыночным правилам с использованием спотовых и производных контрактов . [2] Однако электроэнергия является совершенно особым товаром: ее экономически невозможно хранить, а стабильность энергосистемы требует постоянного баланса между производством и потреблением. В то же время спрос на электроэнергию зависит от погоды (температура, скорость ветра, осадки и т. д.) и интенсивности деловой и повседневной деятельности ( пиковые и непиковые часы , будние и выходные дни, праздники и т. д.). . Эти уникальные характеристики приводят к динамике цен, не наблюдаемой ни на одном другом рынке, демонстрирующей ежедневную, еженедельную и часто годовую сезонность , а также резкие, кратковременные и, как правило, непредвиденные скачки цен . [3]

Чрезвычайная волатильность цен , которая может быть на два порядка выше, чем у любого другого товара или финансового актива, вынудила участников рынка хеджировать не только объем, но и ценовой риск. Прогнозы цен на срок от нескольких часов до нескольких месяцев стали представлять особый интерес для управляющих портфельными инвестициями. Компания энергетического рынка, способная прогнозировать волатильность оптовых цен с разумным уровнем точности, может скорректировать свою стратегию торгов и собственный график производства или потребления, чтобы снизить риск или максимизировать прибыль при торговле на сутки вперед. [4] Приблизительная оценка экономии от снижения средней абсолютной процентной ошибки (MAPE) краткосрочных прогнозов цен на 1% составляет 300 000 долларов США в год для коммунального предприятия с пиковой нагрузкой 1 ГВт . Благодаря дополнительным прогнозам цен экономия удваивается. [5]

Методика прогнозирования

[ редактировать ]

Самая простая модель прогнозирования на день вперед – попросить каждый источник генерации сделать ставку на блоки генерации и выбрать самые дешевые предложения. Если заявок подается недостаточно, цена увеличивается. Если будет подано слишком много заявок, цена может достичь нуля или стать отрицательной. Цена предложения включает в себя стоимость генерации, а также стоимость передачи, а также любую прибыль. Энергию можно продавать или покупать в соседних энергетических пулах . [6] [7] [8]

Концепция независимых системных операторов (ISO) способствует конкуренции за генерацию среди участников оптового рынка за счет разделения операций по передаче и генерации. ISO используют рынки, основанные на предложениях, для определения экономической отправки. [9]

Ветровая и солнечная энергия не подлежат диспетчеризации . Такая электроэнергия обычно продается до любых других предложений по заранее установленной цене для каждого поставщика. Любой избыток продается другому сетевому оператору или хранится с использованием гидроаккумулирующих электростанций , или, в худшем случае, сокращается. [10] Сокращение потенциально может существенно повлиять на экономические и экологические преимущества солнечной энергии при более высоких уровнях проникновения фотоэлектрических систем. [11] Распределение происходит путем торгов. [12]

Результатом недавнего внедрения интеллектуальных сетей и интеграции распределенной генерации из возобновляемых источников стала возросшая неопределенность в отношении будущего предложения, спроса и цен. [13] Эта неопределенность привела к большому количеству исследований в области прогнозирования.

Движущие факторы

[ редактировать ]

Электричество невозможно хранить так же легко, как газ, оно производится именно в тот момент, когда возникает потребность. Таким образом, все факторы спроса и предложения окажут немедленное влияние на цену электроэнергии на спотовом рынке. Помимо производственных затрат , цены на электроэнергию устанавливаются спросом и предложением. [14] Однако, скорее всего, следует принять во внимание некоторые фундаментальные факторы.

Краткосрочные цены больше всего зависят от погоды. [15] Спрос, обусловленный отоплением зимой и охлаждением летом, является основной причиной сезонных скачков цен. [16] Дополнительные мощности, работающие на природном газе, приводят к снижению цен на электроэнергию и увеличению спроса.

Наличие природных ресурсов страны, а также действующие в ней правила сильно влияют на тарифы со стороны предложения. На сторону предложения электроэнергии больше всего влияют цены на топливо и цены на выбросы CO 2 . Цены на выбросы углерода в ЕС выросли вдвое с 2017 года, что делает их важным движущим фактором цен. [17]

Погода

[ редактировать ]

Исследования показывают, что спрос на электроэнергию в основном зависит от температуры . Спрос на отопление зимой ) и спрос на охлаждение ( кондиционеры летом — вот что в первую очередь приводит к сезонным пикам в большинстве регионов. Градусо-дни нагрева и градусо-дни охлаждения помогают измерить потребление энергии, сравнивая температуру наружного воздуха выше и ниже 65 градусов по Фаренгейту , общепринятого базового уровня. [18]

Что касается возобновляемых источников, таких как солнце и ветер, погода влияет на снабжение. Кривая утки в Калифорнии показывает разницу между спросом на электроэнергию и количеством солнечной энергии, доступной в течение дня. В солнечный день солнечная энергия наводняет рынок производства электроэнергии , а затем снижается вечером, когда спрос на электроэнергию достигает пика. [11]

Прогнозирование ветровой и солнечной возобновляемой энергии становится все более важным по мере увеличения количества энергии, вырабатываемой из этих источников. [19] Метеорологические прогнозы могут повысить точность моделей прогнозирования цен на электроэнергию. В то время как прогнозы на сутки вперед могут использовать преимущества авторегрессионных эффектов, прогнозы, основанные на метеорологических данных, более точны для горизонтов на 2–4 дня вперед. [20] В некоторых случаях прогнозы выработки возобновляемой энергии, публикуемые операторами передающих систем (TSO), могут быть улучшены с помощью простых моделей прогнозирования и использоваться для более точного прогнозирования цен на электроэнергию. [21]

Наличие гидроэнергетики

[ редактировать ]

Снежный покров , ручьи , сезонность, лосось и т. д. — все это влияет на количество воды, которое может проходить через плотину в любой момент времени. Прогнозирование этих переменных позволяет предсказать доступную потенциальную энергию плотины на определенный период. [22] Некоторые регионы, такие как Пакистан, Египет, Китай и северо-запад Тихоокеанского региона, получают значительную часть электроэнергии от плотин гидроэлектростанций . В 2015 году SAIDI и SAIFI увеличились более чем вдвое по сравнению с предыдущим годом в Замбии из-за низких запасов воды в плотинах гидроэлектростанций, вызванных недостаточным количеством осадков. [23]

Отключения электростанции и трансмиссии

[ редактировать ]

Плановые или незапланированные отключения влияют на общее количество электроэнергии, доступной в сеть. Перебои в подрыве электроснабжения, что, в свою очередь, влияет на цены. [23]

Экономическое здоровье

[ редактировать ]

Во времена экономических трудностей многие заводы сокращают производство из-за снижения потребительского спроса и, следовательно, снижают потребность в электроэнергии, связанную с производством. [24]

Государственное регулирование

[ редактировать ]

Правительства могут решить сделать тарифы на электроэнергию доступными для своего населения за счет субсидий производителям и потребителям. В большинстве стран, характеризующихся низким доступом к энергии, есть электроэнергетические предприятия, которые не возмещают никаких капитальных и эксплуатационных затрат из-за высоких уровней субсидий. [25]

Таксономия подходов к моделированию

[ редактировать ]
Таксономия прогнозирования цен на электроэнергию (EPF) и подходы к моделированию согласно Weron (2014).

Для прогнозирования цен на электроэнергию (EPF) были опробованы различные методы и идеи с разной степенью успеха. Их можно условно разделить на шесть групп. [3]

Мультиагентные модели

[ редактировать ]

Мультиагентные ( многоагентное моделирование , равновесие, теоретико-игровые ) модели моделируют работу системы разнородных агентов (генерирующих подразделений, компаний), взаимодействующих друг с другом, и строят ценовой процесс путем согласования спроса и предложения на рынке. [26] К этому классу относятся модели, основанные на затратах (или модели себестоимости производства , PCM), [27] подходы теории равновесия или теории игр (например, модель Нэша-Курно, равновесие функции предложения - SFE, модели стратегических производственных затрат - SPCM) [28] [29] [30] [31] [32] и агентные модели . [33] [34] [35]

Мультиагентные модели обычно фокусируются на качественных вопросах, а не на количественных результатах. Они могут дать представление о том, будут ли цены выше предельных издержек и как это может повлиять на результаты игроков. Однако они создают проблемы, если необходимо сделать более количественные выводы, особенно если цены на электроэнергию необходимо прогнозировать с высокой степенью точности.

Фундаментальные модели

[ редактировать ]

Фундаментальные ( структурные ) методы пытаются уловить основные физические и экономические отношения, которые присутствуют в производстве и торговле электроэнергией. [36] Функциональные связи между фундаментальными факторами (нагрузками, погодными условиями, параметрами системы и т. д.) постулируются, а фундаментальные входные данные моделируются и прогнозируются независимо, часто с помощью статистических методов, сокращенной формы или вычислительного интеллекта методов . В целом можно выделить два подкласса фундаментальных моделей: модели с богатым набором параметров. [37] [38] и экономные структурные модели [39] [40] [41] [42] спроса и предложения.

При практической реализации фундаментальных моделей возникают две основные проблемы: доступность данных и учет стохастических колебаний фундаментальных факторов. При построении модели мы делаем конкретные предположения о физических и экономических отношениях на рынке, и поэтому прогнозы цен, генерируемые моделями, очень чувствительны к нарушениям этих предположений.

Модели уменьшенной формы

[ редактировать ]

Модели в сокращенной форме ( количественные, стохастические ) характеризуют статистические свойства цен на электроэнергию с течением времени, с конечной целью оценки деривативов и управления рисками . [43] [4] [36] Их основная цель — не предоставить точные почасовые прогнозы цен, а, скорее, воспроизвести основные характеристики ежедневных цен на электроэнергию, такие как предельные распределения в будущие моменты времени, динамику цен и корреляцию между ценами на сырье. Если выбранный ценовой процесс не подходит для отражения основных свойств цен на электроэнергию, результаты модели, скорее всего, будут ненадежными. Однако, если модель слишком сложна, вычислительная нагрузка не позволит использовать ее в онлайн-режиме в торговых отделах. В зависимости от типа рассматриваемого рынка модели уменьшенной формы можно классифицировать как:

  • Модели спотовых цен , которые обеспечивают экономное представление динамики спотовых цен. Их основным недостатком является проблема ценообразования деривативов, т.е. определения премии за риск, связывающей спотовые и форвардные цены. [44] Два самых популярных подкласса включают прыжковую диффузию. [45] [46] [47] [48] и переключение режимов Маркова [49] [50] [51] [52] модели.
  • Модели форвардной цены позволяют напрямую устанавливать цены на деривативы (но только на те, которые записаны на форвардную цену на электроэнергию). Однако и у них есть свои ограничения; самое главное — отсутствие данных, которые можно было бы использовать для калибровки, и невозможность вывести свойства спотовых цен на основе анализа форвардных кривых. [37] [53] [54]

Статистические модели

[ редактировать ]

Статистические (например, эконометрические ) методы прогнозируют текущую цену, используя математическую комбинацию предыдущих цен и/или предыдущих или текущих значений экзогенных факторов , обычно показателей потребления и производства или погодных переменных. [3] Двумя наиболее важными категориями являются аддитивные и мультипликативные модели. Они различаются тем, является ли прогнозируемая цена суммой (аддитивом) ряда компонентов или произведением (мультипликативом) ряда факторов. Первые гораздо более популярны, но они тесно связаны между собой: мультипликативная модель цен может быть преобразована в аддитивную модель логарифмических цен. Статистические модели привлекательны тем, что их компонентам можно придать некоторую физическую интерпретацию, что позволяет инженерам и системным операторам понять их поведение. Их часто критикуют за ограниченную способность моделировать (обычно) нелинейное поведение цен на электроэнергию и связанных с ними фундаментальных переменных. Однако в практических приложениях их характеристики не хуже, чем у методов нелинейного вычислительного интеллекта (см. ниже). Например, в глобального энергетического конкурсе прогнозирования (GEFCom2012), в котором приняли участие сотни участников со всего мира, четыре лучших заявки использовали модели регрессионного типа.

Таксономия архитектур искусственных нейронных сетей , наиболее популярных в EPF (см. Weron, 2014). Входные узлы обозначаются закрашенными кружками, выходные узлы — пустыми кружками, а узлы скрытого слоя — пустыми кружками с пунктирным контуром. Функции активации для сетей RBF представляют собой радиальные базисные функции, тогда как многослойные перцептроны (MLP) обычно используют кусочно-линейные или сигмовидные функции активации (показаны кружками).

Статистические модели представляют собой очень богатый класс, который включает в себя:

Модели вычислительного интеллекта

[ редактировать ]

Методы вычислительного интеллекта ( на основе искусственного интеллекта , машинного обучения , непараметрической, нелинейной статистики ) сочетают в себе элементы обучения, эволюции и нечеткости для создания подходов, которые способны адаптироваться к сложным динамическим системам и могут рассматриваться как «интеллектуальные». в этом смысле. Искусственные нейронные сети , [57] [74] [75] [76] [77] включая глубокие нейронные сети , [55] [60] [78] объяснимые модели ИИ [79] и распределительные нейронные сети, [80] а также нечеткие системы [74] [81] и машины опорных векторов (SVM) [82] несомненно, являются основными классами методов вычислительного интеллекта в EPF. Их главная сила — способность справляться со сложностью и нелинейностью. В целом, методы вычислительного интеллекта лучше моделируют эти особенности цен на электроэнергию, чем статистические методы (см. выше). В то же время эта гибкость также является их главной слабостью. Способность адаптироваться к нелинейному, резкому поведению не обязательно приводит к лучшим точечным или вероятностным прогнозам, и требуется много усилий, чтобы найти правильные гиперпараметры . [55]

Гибридные модели

[ редактировать ]

Многие подходы к моделированию и прогнозированию цен, рассматриваемые в литературе, представляют собой гибридные решения, сочетающие в себе методы двух или более групп, перечисленных выше. [55] Их классификация нетривиальна, если вообще возможна. В качестве примера гибридной модели AleaModel (AleaSoft) объединяет модели Neural Networks и Box Jenkins.

Горизонты прогнозирования

[ редактировать ]

Принято говорить о кратко-, средне- и долгосрочном прогнозировании. [3] но в литературе нет единого мнения относительно того, какими на самом деле должны быть пороговые значения:

  • Краткосрочное прогнозирование обычно включает горизонты от нескольких минут до нескольких дней вперед и имеет первостепенное значение в повседневных рыночных операциях. [ нужна ссылка ]
  • Среднесрочное прогнозирование , от нескольких дней до нескольких месяцев, обычно предпочтительнее для расчетов баланса , управления рисками и ценообразования деривативов . Во многих случаях, особенно при прогнозировании цен на электроэнергию, оценка основана не на фактических точечных прогнозах, а на распределении цен на определенные будущие периоды времени. Поскольку этот тип моделирования имеет давнюю традицию в сфере финансов , наблюдается приток «финансовых решений».
  • Долгосрочное прогнозирование , время выполнения которого измеряется месяцами, кварталами или даже годами, концентрируется на анализе и планировании рентабельности инвестиций , например, на определении будущих площадок или источников топлива для электростанций.

Будущее прогнозирования цен на электроэнергию

[ редактировать ]

В своем обширном обзоре Верон [3] смотрит вперед и рассуждает о направлениях, в которых EPF будет или должен действовать в ближайшее десятилетие или около того:

Фундаментальные ценовые факторы и входные переменные

[ редактировать ]

Сезонность

[ редактировать ]

Ключевым моментом в моделировании и прогнозировании спотовых цен на электроэнергию является соответствующий учет сезонности. [75] [83] Цена на электроэнергию демонстрирует сезонность на трёх уровнях: дневном, еженедельном и в некоторой степени – годовом. При краткосрочном прогнозировании годовая или долгосрочная сезонность обычно игнорируется, однако первостепенное значение имеют дневные и еженедельные закономерности (включая отдельный учет праздников). Однако это может быть неверным подходом. В роли Новотарского и Верона [84] Недавно показали, что разложение ряда цен на электроэнергию на долгосрочную сезонную и стохастическую составляющую, их независимое моделирование и объединение их прогнозов может принести - вопреки распространенному мнению - повышение точности по сравнению с подходом, в котором данная модель откалиброваны под сами цены.

В среднесрочном прогнозировании дневные модели становятся менее актуальными, и большинство моделей EPF работают со среднедневными ценами. Однако компонент долгосрочного тренда-цикла играет решающую роль. Его неверная спецификация может привести к смещению, которое может привести к неправильной оценке уровня возврата к среднему значению или интенсивности и серьезности скачка цен и, следовательно, к недооценке риска. Наконец, в долгосрочной перспективе , когда временной горизонт измеряется годами, дневную, еженедельную и даже годовую сезонность можно игнорировать и доминировать долгосрочные тенденции. Адекватному учету сезонности – как внутри выборки, так и вне выборки – до сих пор в литературе не уделялось достаточного внимания. [85] [86] [87]

Выбор переменной

[ редактировать ]

Еще одним важным вопросом прогнозирования цен на электроэнергию является правильный выбор объясняющих переменных. [3] [88] [89] Помимо исторических цен на электроэнергию, текущая спотовая цена зависит от большого набора фундаментальных факторов, включая нагрузку на систему, погодные переменные, затраты на топливо, резервную маржу (т. вынужденные отключения . Хотя модели «чистой цены» иногда используются для EPF, в наиболее распространенном сценарии прогнозирования на сутки вперед большинство авторов выбирают комбинацию этих фундаментальных факторов, основываясь на эвристике и опыте прогнозиста. [90] Очень редко в EPF проводилась процедура автоматического выбора или сокращения , особенно для большого набора исходных объясняющих переменных. [91] Однако литература по машинному обучению предоставляет жизнеспособные инструменты, которые можно разделить на две категории: [92]

  • Выбор признаков или подмножества , который включает в себя определение подмножества предикторов, которые, по нашему мнению, оказывают влияние, а затем подбор модели на сокращенном наборе переменных.
  • Усадка (также известная как регуляризация ), которая соответствует полной модели со всеми предикторами с использованием алгоритма, который сжимает оцененные коэффициенты до нуля, что может значительно уменьшить их дисперсию. В зависимости от того, какой тип сжатия выполняется, некоторые коэффициенты могут быть сжаты до нуля. Таким образом, некоторые сжатия методы , такие как лассо , де-факто выполняют выбор переменных .

Некоторые из этих методов использовались в контексте EPF:

но их использование не распространено. Необходима дальнейшая разработка и использование методов выбора наиболее эффективных входных переменных - среди прошлых цен на электроэнергию, а также прошлых и прогнозируемых значений фундаментальных факторов.

Прогнозирование скачков и резервная маржа

[ редактировать ]

При прогнозировании скачков или волатильности спотовых цен одной из наиболее влиятельных фундаментальных переменных является резервная маржа , также называемая созданием излишков . Он связывает доступную мощность (генерацию, поставку), , к требованию (нагрузке), , в данный момент времени . Традиционное инженерное понятие резерва определяет его как разницу между ними, т.е. , но многие авторы предпочитают работать с безразмерными соотношениями , или так называемая загрузка мощностей . [3] Его редкое применение в EPF может быть оправдано только трудностью получения качественных данных о марже резервов. Учитывая, что в настоящее время все больше и больше системных операторов (см., например, http://www.elexon.co.uk ) раскрывают такую ​​информацию, данные о резервной марже должны играть значительную роль в EPF в ближайшем будущем.

Вероятностные прогнозы

[ редактировать ]

Использование интервалов прогнозирования (PI) и плотностей, или вероятностное прогнозирование , стало гораздо более распространенным за последние три десятилетия, поскольку практики пришли к пониманию ограничений точечных прогнозов. [99] Несмотря на смелый шаг организаторов Конкурса глобальных энергетических прогнозов 2014 года , потребовавших от участников представлять прогнозы 99 процентилей прогнозного распределения (на сутки вперед в ценовой траектории), а не точечные прогнозы, как в выпуске 2012 года, [100] Похоже, что это пока не распространенный случай в EPF.

Если PI вообще рассчитываются, они обычно основаны на распределении (и аппроксимируются стандартным отклонением остатков модели). [3] ) или эмпирический. Недавно в контексте EPF был введен новый метод комбинирования прогнозов (см. ниже). Усреднение квантильной регрессии (QRA) предполагает применение квантильной регрессии к точечным прогнозам небольшого количества отдельных моделей прогнозирования или экспертов, что позволяет использовать существующие разработки точечного прогнозирования. [101]

Объединение прогнозов

[ редактировать ]

Консенсусные прогнозы , также известные как объединение прогнозов , усреднение прогнозов или усреднение моделей (в эконометрике и статистике ) и комитетные машины , усреднение по ансамблю или агрегирование экспертов (в машинном обучении ), представляют собой предсказания будущего, которые создаются путем объединения нескольких отдельных прогнозов, которые часто создавались с использованием разных методологий. Несмотря на свою популярность в эконометрике, усредненные прогнозы до сих пор широко не использовались в контексте рынков электроэнергии . Имеются некоторые ограниченные данные об адекватности объединения прогнозов спроса на электроэнергию. [102] но только совсем недавно комбинирование использовалось в EPF и только для точечных прогнозов. [103] [104] Объединение вероятностных (т.е. интервальных и плотностных) прогнозов гораздо менее популярно даже в эконометрике в целом, главным образом из-за возросшей сложности проблемы. Поскольку усреднение квантильной регрессии (QRA) позволяет использовать существующие разработки точечного прогнозирования, [101] он особенно привлекателен с практической точки зрения и может стать популярным инструментом в EPF в ближайшем будущем.

Многомерные факторные модели

[ редактировать ]

Литература по прогнозированию ежедневных цен на электроэнергию в основном сосредоточена на моделях, которые используют только информацию на агрегированном (т.е. ежедневном) уровне. С другой стороны, в очень богатой литературе по прогнозированию внутридневных цен использовались дезагрегированные данные (т.е. почасовые или получасовые), но в целом не исследовалась сложная структура зависимостей многомерных ценовых рядов. [3] Если мы хотим изучить структуру внутридневных цен на электроэнергию, нам необходимо использовать методы уменьшения размерности; например, факторные модели с факторами, оцениваемыми как главные компоненты (ПК). Эмпирические данные показывают, что существуют улучшения прогнозов за счет включения дезагрегированных (т. е. почасовых или зональных) данных для прогнозирования ежедневных системных цен, особенно когда горизонт прогнозирования превышает одну неделю. [105] [106] С увеличением вычислительной мощности калибровка этих сложных моделей в реальном времени станет возможной, и мы можем ожидать, что в ближайшие годы мы увидим больше применений многомерной структуры EPF.

Универсальный испытательный полигон

[ редактировать ]

Все основные обзорные публикации приходят к выводу, что существуют проблемы со сравнением методов, разработанных и используемых в литературе EPF. [3] [90] Это связано главным образом с использованием разных наборов данных, разным программным обеспечением моделей прогнозирования и разными мерами ошибок, а также с отсутствием статистической строгости во многих исследованиях. Это требует всестороннего, тщательного исследования, включающего (i) одни и те же наборы данных, (ii) одни и те же надежные процедуры оценки ошибок и (iii) статистическое тестирование значимости превосходства одной модели над другой. В некоторой степени эти вопросы были рассмотрены на Глобальном конкурсе энергетических прогнозов 2014 года . Однако предстоит сделать еще больше. Набор наиболее эффективных показателей (взвешенный MAE, сезонный MASE или RMSSE) следует использовать либо исключительно, либо в сочетании с более популярными (MAPE, RMSE). Эмпирические результаты должны быть дополнительно проверены на предмет значимости различий в точности прогнозирования моделей. [103] [104] [105]

См. также

[ редактировать ]

Ссылки

[ редактировать ]
  1. ^ Мацеёвска, Катажина; Униеевский, Бартош; Верон, Рафаль (19 июля 2023 г.), «Прогнозирование цен на электроэнергию» , Оксфордская исследовательская энциклопедия экономики и финансов , Oxford University Press, arXiv : 2204.11735 , doi : 10.1093/acrefore/9780190625979.013.667 , ISBN  978-0-19-062597-9 , получено 12 апреля 2024 г.
  2. ^ Майер, Клаус; Трюк, Стефан (март 2018 г.). «Рынки электроэнергии по всему миру» . Журнал товарных рынков . 9 : 77–100. дои : 10.1016/j.jcomm.2018.02.001 .
  3. ^ Перейти обратно: а б с д и ж г час я дж к Верон, Рафал (2014). «Прогнозирование цен на электроэнергию: обзор современного состояния с взглядом в будущее» . Международный журнал прогнозирования . 30 (4). [Открытый доступ]: 1030–1081. doi : 10.1016/j.ijforecast.2014.08.008 .
  4. ^ Перейти обратно: а б с Верон, Рафал (2006). Моделирование и прогнозирование нагрузок и цен на электроэнергию: статистический подход . Уайли. ISBN  978-0-470-05753-7 .
  5. ^ Хун, Тао (2015). «Уроки хрустального шара по прогнозной аналитике» . Журнал «ЭнергоБиз» . Весна: 35–37. Архивировано из оригинала 10 сентября 2015 г. Проверено 29 ноября 2015 г.
  6. ^ ИСО НЭ
  7. ^ «Карты зон ISO Нью-Йорка» . Проверено 18 июня 2017 г. [ постоянная мертвая ссылка ]
  8. ^ «Контурная карта LMP: рынок на сутки вперед – расчетные цены» . ЭРКОТ . Проверено 18 июня 2017 г.
  9. ^ «FERC: Рынки электроэнергии – национальный обзор» . www.ferc.gov . Архивировано из оригинала 23 января 2019 года . Проверено 3 мая 2018 г.
  10. ^ «Рынки ветроэнергетики и электроэнергии» (PDF) . 2011. Архивировано из оригинала (PDF) 4 марта 2016 года . Проверено 18 июня 2017 г.
  11. ^ Перейти обратно: а б «Противостояние утиной кривой: как решить проблему чрезмерного производства солнечной энергии» . Energy.gov.ru . Проверено 3 мая 2018 г.
  12. ^ «Машина пути» (PDF) . Эйргрид. 16 августа 2011 года . Проверено 14 мая 2017 г. [ мертвая ссылка ]
  13. ^ Новотарски, Якуб; Верон, Рафал (2018). «Последние достижения в прогнозировании цен на электроэнергию: обзор вероятностного прогнозирования» (PDF) . Обзоры возобновляемой и устойчивой энергетики . 81 : 1548–1568. Бибкод : 2018RSERv..81.1548N . дои : 10.1016/j.rser.2017.05.234 . S2CID   157301643 .
  14. ^ «Рынок электроэнергии» . Норд Пул Спот. Архивировано из оригинала 6 июня 2017 года . Проверено 18 июня 2017 г.
  15. ^ Москера-Лопес, Стефания; Нурсимулу, Анджали (март 2019 г.). «Драйверы динамики цен на электроэнергию: сравнительный анализ спотового и фьючерсного рынков» . Энергетическая политика . 126 : 76–87. Бибкод : 2019EnPol.126...76M . дои : 10.1016/j.enpol.2018.11.020 .
  16. ^ «Шесть ключевых факторов, влияющих на цены на газ и электроэнергию | APPI Energy» . www.appienergy.com . Архивировано из оригинала 23 января 2019 года . Проверено 3 мая 2018 г.
  17. ^ «Цены на квоты на выбросы CO2 в ЕС продолжают расти и достигли 10,60 евро за тонну – Электроэнергия | Статья и история Platts News» . www.platts.com . Проверено 3 мая 2018 г.
  18. ^ Роберт Карвер. «Что нужно, чтобы обогреть новую комнату?» . Американская статистическая ассоциация. Архивировано из оригинала 22 ноября 1999 года . Проверено 14 февраля 2010 г.
  19. ^ Суини, Конор; Бесса, Рикардо Дж.; Броуэлл, Джетро; Пинсон, Пьер (март 2020 г.). «Будущее прогнозирования возобновляемой энергетики» . ПРОВОДА Энергетика и окружающая среда . 9 (2). Бибкод : 2020WIREE...9E.365S . дои : 10.1002/wene.365 . hdl : 10197/11503 . ISSN   2041-8396 .
  20. ^ Сгарлато, Рафаэле; Зиль, Флориан (май 2023 г.). «Роль прогнозов погоды в прогнозировании цен на электроэнергию за пределами горизонта на сутки вперед» . Транзакции IEEE в энергосистемах . 38 (3): 2500–2511. Бибкод : 2023ITPSy..38.2500S . дои : 10.1109/TPWRS.2022.3180119 . ISSN   0885-8950 .
  21. ^ Мацеёвска, Катажина; Нитка, Вероника; Верон, Томаш (июль 2021 г.). «Увеличение нагрузки, ветровой и солнечной генерации для прогнозирования цен на электроэнергию на сутки вперед» . Экономика энергетики . 99 : 105273. Бибкод : 2021EneEc..9905273M . doi : 10.1016/j.eneco.2021.105273 .
  22. ^ «Более надежные прогнозы расходов воды могут снизить цены на электроэнергию» . Совокупность знаний по регулированию инфраструктуры . 19 января 2010 года . Проверено 18 июня 2017 г.
  23. ^ Перейти обратно: а б Дж. Арлет. 2017. «Ограничения электроэнергетического сектора для компаний в разных странах: сравнительный анализ». Ведение заметок о бизнес-исследованиях; №1. Вашингтон, округ Колумбия: Группа Всемирного банка. http://documents.worldbank.org/curated/en/409771499690745091/Electricity-sector-constraints-for-firms-across-economies-a-comparative-analysis стр. 10
  24. ^ «Прогнозирование спроса на электроэнергию» (PDF) . Совокупность знаний по регулированию инфраструктуры . Проверено 18 июня 2017 г.
  25. ^ К. Тримбл, М. Кодзима, И. Перес Арройо, Ф. Мохаммадзаде. 2016. «Финансовая жизнеспособность электроэнергетического сектора в странах Африки к югу от Сахары: квазифискальный дефицит и скрытые затраты». Рабочий документ по политическим исследованиям; № 7788.
  26. ^ Вентоза, Мариано; Байлло, Альваро; Рамос, Эндрю; Ривье, Мишель (2005). «Тенденции моделирования рынка электроэнергии». Энергетическая политика . 33 (7): 897–913. Бибкод : 2005EnPol..33..897V . дои : 10.1016/j.enpol.2003.10.013 .
  27. ^ Вуд, Эй Джей; Волленберг, Б.Ф. (1996). Производство электроэнергии, эксплуатация и контроль . Уайли.
  28. ^ Батль, Карлос; Баркин, Дж. (2005). «Модель стратегической производственной себестоимости для анализа цен на рынке электроэнергии». Транзакции IEEE в энергосистемах . 20 (1): 67–74. Бибкод : 2005ITPSy..20...67B . дои : 10.1109/TPWRS.2004.831266 . hdl : 11531/7777 . ISSN   0885-8950 . S2CID   22681492 .
  29. ^ Боргош-Кочвара, Магдалена; Верон, Александр; Виломанская, Агнешка (2009). «Стохастические модели для стратегий торгов на олигополистическом рынке электроэнергии». Математические методы исследования операций . 69 (3): 579–592. дои : 10.1007/s00186-008-0252-7 . ISSN   1432-2994 . S2CID   8882103 .
  30. ^ Белло, Антонио; Банн, Дерек В.; Ренесес, Хавьер; Муньос, Антонио (январь 2017 г.). «Среднесрочное вероятностное прогнозирование цен на электроэнергию: гибридный подход» . Транзакции IEEE в энергосистемах . 32 (1): 334–343. Бибкод : 2017ITPSy..32..334B . дои : 10.1109/TPWRS.2016.2552983 . ISSN   0885-8950 .
  31. ^ Ван, Сиань; Ян, Цзяин; Чжан, Кай; Чжан, Шаохуа; Ву, Лэй (январь 2022 г.). «Теоретико-игровой анализ рыночного механизма функционирования ресурсов реагирования спроса» . Международный журнал электроэнергетики и энергетических систем . 134 : 107456. Бибкод : 2022IJEPE.13407456W . дои : 10.1016/j.ijepes.2021.107456 .
  32. ^ Бумсма, Трина Крог; Пинеда, Сальвадор; Хайде-Йоргенсен, Дитте Мёлгорд (июнь 2022 г.). «Спотовый и балансирующий рынки электроэнергии: модели равновесия с открытым и закрытым циклом» . Вычислительная наука управления . 19 (2): 309–346. дои : 10.1007/s10287-021-00418-4 . ISSN   1619-697X .
  33. ^ Герчи, Эрик; Ивальди, Стефано; Чинкотти, Сильвано (2008). «Обучение агентов в искусственном обмене властью: молчаливый сговор, рыночная власть и эффективность двух механизмов двойного аукциона». Вычислительная экономика . 32 (1–2): 73–98. дои : 10.1007/s10614-008-9127-5 . ISSN   0927-7099 . S2CID   154575281 .
  34. ^ Шафи-ха, Миадреза; Каталао, Жоао П.С. (март 2015 г.). «Стохастическая многоуровневая агентная модель для изучения поведения участников рынка электроэнергии» . Транзакции IEEE в энергосистемах . 30 (2): 867–881. Бибкод : 2015ITPSy..30..867S . дои : 10.1109/TPWRS.2014.2335992 . ISSN   0885-8950 .
  35. ^ Фраунгольц, Кристоф; Крафт, Эмиль; Келес, Доган; Фихтнер, Вольф (май 2021 г.). «Расширенное прогнозирование цен при агентном моделировании рынка электроэнергии» . Прикладная энергетика . 290 : 116688. Бибкод : 2021ApEn..29016688F . doi : 10.1016/j.apenergy.2021.116688 .
  36. ^ Перейти обратно: а б Бургер, М.; Гребер, Б.; Шиндлмайр, Г. (2007). Управление энергетическими рисками: комплексный взгляд на энергетические и другие энергетические рынки . Уайли. дои : 10.1002/9781119209102 . ISBN  9781119209102 .
  37. ^ Перейти обратно: а б Эйделанд, Александр; Волынец, Кшиштоф (2003). Управление рисками в энергетике и энергетике: новые разработки в области моделирования, ценообразования и хеджирования . Уайли. ISBN  978-0-471-10400-1 .
  38. ^ Беран, Филип; Папе, Кристиан; Вебер, Кристоф (июнь 2019 г.). «Моделирование оптовых спотовых цен на электроэнергию в Германии с помощью экономной фундаментальной модели – проверка и применение» . Политика в сфере коммунальных услуг . 58 : 27–39. Бибкод : 2019УтПол..58...27Б . дои : 10.1016/j.jup.2019.01.008 .
  39. ^ Кармона, Рене; Кулон, Майкл (2014). Бент, Фред Эспен; Холодный, Валерий А.; Лоуренс, Питер (ред.). Обзор товарных рынков и структурные модели цен на электроэнергию . Спрингер Нью-Йорк. стр. 41–83. CiteSeerX   10.1.1.380.3730 . дои : 10.1007/978-1-4614-7248-3_2 . ISBN  978-1-4614-7247-6 . S2CID   2126558 .
  40. ^ Каллабис, Томас; Папе, Кристиан; Вебер, Кристоф (август 2016 г.). «Падение цен на фьючерсы на электроэнергию в Германии – анализ с использованием экономной фундаментальной модели» . Энергетическая политика . 95 : 280–290. Бибкод : 2016EnPol..95..280K . дои : 10.1016/j.enpol.2016.04.025 .
  41. ^ Зиль, Флориан; Штайнерт, Рик (сентябрь 2016 г.). «Прогнозирование цен на электроэнергию с использованием кривых продажи и покупки: X-модель» . Экономика энергетики . 59 : 435–454. arXiv : 1509.00372 . Бибкод : 2016EneEc..59..435Z . doi : 10.1016/j.eneco.2016.08.008 .
  42. ^ Алассер, К.; Ферон, О. (сентябрь 2018 г.). «Структурная ценовая модель для связанных рынков электроэнергии» . Экономика энергетики . 75 : 104–119. arXiv : 1704.06027 . Бибкод : 2018EneEc..75..104A . doi : 10.1016/j.eneco.2018.07.018 .
  43. ^ Банн, Дерек В., изд. (2004). Моделирование цен на конкурентных рынках электроэнергии . Уайли. ISBN  978-0-470-84860-9 .
  44. ^ Верон, Рафал; Затор, Михал (2014). «Возврат к взаимосвязи между спотовыми и фьючерсными ценами на рынке электроэнергии Nord Pool» (PDF) . Экономика энергетики . 44 : 178–190. Бибкод : 2014EneEc..44..178W . doi : 10.1016/j.eneco.2014.03.007 .
  45. ^ Верон, Рафал (2008). «Рыночная цена риска, подразумеваемого опционами и фьючерсами на электроэнергию в азиатском стиле». Экономика энергетики . 30 (3): 1098–1115. Бибкод : 2008EneEc..30.1098W . CiteSeerX   10.1.1.136.3016 . doi : 10.1016/j.eneco.2007.05.004 .
  46. ^ Бент, Фред Эспен; Кизель, Рюдигер; Назарова, Анна (2012). «Критическое эмпирическое исследование трех моделей спотовых цен на электроэнергию». Экономика энергетики . 34 (5): 1589–1616. Бибкод : 2012EneEc..34.1589B . дои : 10.1016/j.eneco.2011.11.012 .
  47. ^ Муниайн, Перу; Зиль, Флориан (октябрь 2020 г.). «Вероятностное прогнозирование на рынках электроэнергии на сутки вперед: моделирование пиковых и внепиковых цен» . Международный журнал прогнозирования . 36 (4): 1193–1210. arXiv : 1810.08418 . doi : 10.1016/j.ijforecast.2019.11.006 .
  48. ^ Чиаррета, Айтор; Муниайн, Перу; Саррага, Эноа (ноябрь 2022 г.). «Имеют ли скачки и повторные прыжки значение для прогнозирования цен на электроэнергию? Данные немецко-австрийского рынка на сутки вперед» . Исследование электроэнергетических систем . 212 : 108144. Бибкод : 2022EPSR..21208144C . дои : 10.1016/j.epsr.2022.108144 . hdl : 10810/58629 .
  49. ^ Янчура, Джоанна; Верон, Рафаль (2010). «Эмпирическое сравнение альтернативных моделей переключения режимов спотовых цен на электроэнергию» (PDF) . Экономика энергетики . 32 (5): 1059–1073. Бибкод : 2010EneEc..32.1059J . doi : 10.1016/j.eneco.2010.05.008 .
  50. ^ Янчура, Джоанна (февраль 2014 г.). «Ценообразование деривативов на электроэнергию в рамках марковской модели переключения режимов: подход с премией за риск» . Математические методы исследования операций . 79 (1): 1–30. дои : 10.1007/s00186-013-0451-8 . ISSN   1432-2994 .
  51. ^ Сапио, Алессандро (октябрь 2015 г.). «Влияние возобновляемых источников энергии в пространстве и времени: модель переключения режима итальянской цены на электроэнергию» . Энергетическая политика . 85 : 487–499. Бибкод : 2015EnPol..85..487S . дои : 10.1016/j.enpol.2015.07.025 .
  52. ^ Апергис, Николас; Гозгор, Гирей; Лау, Чи Кеунг Марко; Ван, Шисюань (февраль 2019 г.). «Расшифровка австралийского рынка электроэнергии: новые данные трехрежимной скрытой полумарковской модели» . Экономика энергетики . 78 : 129–142. Бибкод : 2019EneEc..78..129A . дои : 10.1016/j.eneco.2018.10.038 .
  53. ^ Бент, Фред Эспен; Бент, Юрате Шалтыте; Кукебаккер, Стин (2008). Стохастическое моделирование электроэнергетики и связанных с ней рынков . Расширенная серия по статистической науке и прикладной теории вероятности. Том. 11. Мировая научная. дои : 10.1142/6811 . ISBN  978-981-281-230-8 .
  54. ^ Калдана, Руджеро; Фусай, Джанлука; Ронкорони, Андреа (сентябрь 2017 г.). «Форвардные кривые электроэнергии с тонкой детализацией: теория и эмпирические данные на почасовом рынке EPEXspot» . Европейский журнал операционных исследований . 261 (2): 715–734. дои : 10.1016/j.ejor.2017.02.016 .
  55. ^ Перейти обратно: а б с д и Лаго, Иисус; Марьяс, Гжегож; Де Шуттер, Барт; Верон, Рафал (июль 2021 г.). «Прогнозирование цен на электроэнергию на сутки вперед: обзор современных алгоритмов, лучших практик и эталонных показателей открытого доступа» . Прикладная энергетика . 293 : 116983. arXiv : 2008.08004 . Бибкод : 2021ApEn..29316983L . doi : 10.1016/j.apenergy.2021.116983 .
  56. ^ Перейти обратно: а б Йонссон, Т.; Пинсон, П.; Нильсен, ХА; Мэдсен, Х.; Нильсен, ТС (2013). «Прогнозирование спотовых цен на электроэнергию с учетом прогнозов по ветроэнергетике». Транзакции IEEE по устойчивой энергетике . 4 (1): 210–218. Бибкод : 2013ITSE....4..210J . дои : 10.1109/TSTE.2012.2212731 . ISSN   1949-3029 . S2CID   11850152 .
  57. ^ Перейти обратно: а б Конехо, Антонио Дж.; Контрерас, Хавьер; Эспинола, Роза; Пласас, Мигель А. (2005). «Прогнозирование цен на электроэнергию для пулового рынка электроэнергии на сутки вперед». Международный журнал прогнозирования . 21 (3): 435–462. doi : 10.1016/j.ijforecast.2004.12.005 .
  58. ^ Верон, Рафал; Мисиорек, Адам (2008). «Прогнозирование спотовых цен на электроэнергию: сравнение параметрических и полупараметрических моделей временных рядов». Международный журнал прогнозирования . Энергетическое прогнозирование. 24 (4): 744–763. CiteSeerX   10.1.1.489.2637 . doi : 10.1016/j.ijforecast.2008.08.004 . S2CID   3999614 .
  59. ^ Каракацани, Нектарий В.; Банн, Дерек В. (2008). «Прогнозирование цен на электроэнергию: влияние фундаментальных факторов и изменяющихся во времени коэффициентов». Международный журнал прогнозирования . Энергетическое прогнозирование. 24 (4): 764–785. doi : 10.1016/j.ijforecast.2008.09.008 .
  60. ^ Перейти обратно: а б Лаго, Иисус; Де Риддер, Фьо; Де Шуттер, Барт (июль 2018 г.). «Прогнозирование спотовых цен на электроэнергию: подходы глубокого обучения и эмпирическое сравнение традиционных алгоритмов» . Прикладная энергетика . 221 : 386–405. Бибкод : 2018ApEn..221..386L . дои : 10.1016/j.apenergy.2018.02.069 .
  61. ^ Зиль, Флориан; Верон, Рафал (февраль 2018 г.). «Прогнозирование цен на электроэнергию на сутки вперед с использованием многомерных структур: одномерные и многомерные модели моделирования» . Экономика энергетики . 70 : 396–420. arXiv : 1805.06649 . Бибкод : 2018EneEc..70..396Z . дои : 10.1016/j.eneco.2017.12.016 .
  62. ^ Кремер, Марсель; Кизель, Рюдигер; Параскив, Флорентина (26 июля 2021 г.). «Эконометрическая модель внутридневной торговли электроэнергией» . Философские труды Королевского общества A: Математические, физические и технические науки . 379 (2202): 20190624. Бибкод : 2021RSPTA.37990624K . дои : 10.1098/rsta.2019.0624 . ISSN   1364-503X . ПМИД   34092107 .
  63. ^ Янчура, Джоанна; Войчик, Эдита (июнь 2022 г.). «Динамические краткосрочные стратегии управления рисками при выборе рынка электроэнергии на основе вероятностных прогнозов прибыли и показателей риска. Пример исследования рынка Германии и Польши» . Экономика энергетики . 110 : 106015. Бибкод : 2022EneEc.11006015J . doi : 10.1016/j.eneco.2022.106015 .
  64. ^ Купман, Сием Ян; Омс, Мариус; Карнеро, М. Анхелес (2007). «Модели периодического сезонного регулирования-ARFIMA – GARCH для ежедневных спотовых цен на электроэнергию» (PDF) . Журнал Американской статистической ассоциации . 102 (477): 16–27. дои : 10.1198/016214506000001022 . hdl : 1871/9678 . ISSN   0162-1459 . S2CID   11384864 .
  65. ^ Костшевский, Мацей; Костшевская, Ядвига (май 2019 г.). «Вероятностное прогнозирование цен на электроэнергию с использованием байесовских стохастических моделей волатильности» . Экономика энергетики . 80 : 610–620. Бибкод : 2019EneEc..80..610K . doi : 10.1016/j.eneco.2019.02.004 .
  66. ^ Янчура, Джоанна; Пуч, Анджей (10 января 2023 г.). «Вероятностные прогнозы цен ARX-GARCH для диверсификации торговли на рынках электроэнергии — трансформация, стабилизирующая отклонения, и распределение портфеля, минимизирующее финансовые риски» . Энергии . 16 (2): 807. doi : 10.3390/en16020807 . ISSN   1996-1073 .
  67. ^ Билле, Анна Глория; Джанфреда, Анжелика; Дель Гроссо, Филиппо; Раваццоло, Франческо (апрель 2023 г.). «Прогнозирование цен на электроэнергию с помощью экспертных, линейных и нелинейных моделей» . Международный журнал прогнозирования . 39 (2): 570–586. doi : 10.1016/j.ijforecast.2022.01.003 .
  68. ^ Мацеёвска, Катажина; Верон, Рафал (сентябрь 2015 г.). «Прогнозирование ежедневных цен на электроэнергию с помощью факторных моделей: использование внутридневных и межзональных связей» . Вычислительная статистика . 30 (3): 805–819. дои : 10.1007/s00180-014-0531-0 . ISSN   0943-4062 .
  69. ^ Мацеёвска, Катажина (2022). «Управление портфелем небольшой компании по использованию ВИЭ с использованием структурной векторной авторегрессионной модели рынков электроэнергии в Германии» (PDF) . Исследование операций и принятие решений . 32 (4). дои : 10.37190/ord220405 . ISSN   2081-8858 .
  70. ^ Униеевский, Бартош; Мацеёвска, Катажина (октябрь 2023 г.). «Усреднение главных компонентов LASSO: полностью автоматизированный подход к объединению точечных прогнозов» . Международный журнал прогнозирования . 39 (4): 1839–1852. arXiv : 2207.04794 . doi : 10.1016/j.ijforecast.2022.09.004 .
  71. ^ Либл, Доминик (01 сентября 2013 г.). «Моделирование и прогнозирование спотовых цен на электроэнергию: взгляд на функциональные данные» . Анналы прикладной статистики . 7 (3). arXiv : 1310.1628 . дои : 10.1214/13-AOAS652 . ISSN   1932-6157 .
  72. ^ Чен, Ин; Ли, Бо (3 июля 2017 г.). «Адаптивная функциональная авторегрессионная модель прогнозирования для прогнозирования кривых цен на электроэнергию» . Журнал деловой и экономической статистики . 35 (3): 371–388. дои : 10.1080/07350015.2015.1092976 . ISSN   0735-0015 .
  73. ^ Лиси, Франческо; Шах, Исмаил (ноябрь 2020 г.). «Прогнозирование спроса и цен на электроэнергию на следующий день на основе функциональных моделей» . Энергетические системы . 11 (4): 947–979. дои : 10.1007/s12667-019-00356-w . ISSN   1868-3967 .
  74. ^ Перейти обратно: а б Амджади, Н. (2006). «Прогнозирование цен на рынках электроэнергии на сутки вперед с помощью новой нечеткой нейронной сети». Транзакции IEEE в энергосистемах . 21 (2): 887–896. Бибкод : 2006ITPSy..21..887A . дои : 10.1109/TPWRS.2006.873409 . ISSN   0885-8950 . S2CID   31604774 .
  75. ^ Перейти обратно: а б Келес, Доган; Сселле, Джонатан; Параскив, Флорентина; Фихтнер, Вольф (2016). «Расширенные методы прогнозирования спотовых цен на электроэнергию на сутки вперед с использованием искусственных нейронных сетей». Прикладная энергетика . 162 : 218–230. Бибкод : 2016ApEn..162..218K . дои : 10.1016/j.apenergy.2015.09.087 .
  76. ^ Губичка, Катажина; Марьяш, Гжегож; Верон, Рафаль (январь 2019 г.). «Примечание об усреднении прогнозов цен на электроэнергию на сутки вперед в рамках калибровочных окон» . Транзакции IEEE по устойчивой энергетике . 10 (1): 321–323. Бибкод : 2019ITSE...10..321H . дои : 10.1109/TSTE.2018.2869557 . ISSN   1949-3029 .
  77. ^ Марьяш, Гжегож; Униеевский, Бартош; Верон, Рафал (октябрь 2019 г.). «О важности долгосрочной сезонной составляющей в прогнозировании цен на электроэнергию на сутки вперед с помощью нейронных сетей NARX» . Международный журнал прогнозирования . 35 (4): 1520–1532. doi : 10.1016/j.ijforecast.2017.11.009 .
  78. ^ Ван, Лонг; Чжан, Цзыцзюнь; Чен, Цзецю (июль 2017 г.). «Краткосрочное прогнозирование цен на электроэнергию с помощью многоуровневых автоэнкодеров с шумоподавлением» . Транзакции IEEE в энергосистемах . 32 (4): 2673–2681. Бибкод : 2017ITPSy..32.2673W . дои : 10.1109/TPWRS.2016.2628873 . ISSN   0885-8950 .
  79. ^ Оливарес, Кин Г.; Чаллу, Кристиан; Марьяш, Гжегож; Верон, Рафал; Дубравский, Артур (апрель 2023 г.). «Анализ расширения нейронной базы с экзогенными переменными: прогнозирование цен на электроэнергию с помощью NBEATSx» . Международный журнал прогнозирования . 39 (2): 884–900. arXiv : 2104.05522 . doi : 10.1016/j.ijforecast.2022.03.001 .
  80. ^ Марьяс, Грегори; Нараевский, Михал; Верон, Рафаэль; Зиль, Флориан (сентябрь 2023 г.). «Распределительные нейронные сети для прогнозирования цен на электроэнергию» . Экономика энергетики . 125 106843.arXiv : : 2207.02832 . Бибкод : 2023EneEc.12506843M . дои : 10.1016/j.eneco.2023.106843 .
  81. ^ Родригес, CP; Андерс, Дж.Дж. (2004). «Прогнозирование цен на энергию на конкурентном рынке энергосистем Онтарио». Транзакции IEEE в энергосистемах . 19 (1): 366–374. Бибкод : 2004ITPSy..19..366R . дои : 10.1109/TPWRS.2003.821470 . ISSN   0885-8950 . S2CID   40031638 .
  82. ^ Ян, Син; Чоудхури, Нурул А. (2013). «Среднесрочное прогнозирование клиринговых цен на рынке электроэнергии: гибридный подход LSSVM и ARMAX». Международный журнал электроэнергетики и энергетических систем . 53 : 20–26. Бибкод : 2013IJEPE..53...20Y . дои : 10.1016/j.ijepes.2013.04.006 .
  83. ^ Янчура, Джоанна; Трюк, Стефан; Верон, Рафал; Вольф, Родни К. (2013). «Выявление пиков и сезонных компонентов в данных спотовых цен на электроэнергию: руководство по надежному моделированию» (PDF) . Экономика энергетики . 38 : 96–110. Бибкод : 2013EneEc..38...96J . дои : 10.1016/j.eneco.2013.03.013 .
  84. ^ Новотарски, Якуб; Верон, Рафал (2016). «О важности долгосрочной сезонной составляющей в прогнозировании цен на электроэнергию на сутки вперед» (PDF) . Экономика энергетики . 57 : 228–235. Бибкод : 2016EneEc..57..228N . дои : 10.1016/j.eneco.2016.05.009 . S2CID   64028618 .
  85. ^ Новотарски, Якуб; Томчик, Якуб; Верон, Рафал (2013). «Надежная оценка и прогнозирование долгосрочной сезонной составляющей спотовых цен на электроэнергию» (PDF) . Экономика энергетики . 39 : 13–27. Бибкод : 2013EneEc..39...13N . doi : 10.1016/j.eneco.2013.04.004 . S2CID   40459495 .
  86. ^ Лиси, Франческо; Нэн, Фани (2014). «Оценка компонентов цен на электроэнергию: процедуры и сравнения». Экономика энергетики . 44 : 143–159. Бибкод : 2014EneEc..44..143L . doi : 10.1016/j.eneco.2014.03.018 .
  87. ^ Верон, Рафаэль; Затор, Михал (2015). «Примечание об использовании фильтра Ходрика – Прескотта на рынках электроэнергии» (PDF) . Экономика энергетики . 48 : 1–6. Бибкод : 2015EneEc..48....1W . дои : 10.1016/j.eneco.2014.11.014 .
  88. ^ Перейти обратно: а б Джанфреда, Анжелика; Гросси, Луиджи (2012). «Прогнозирование зональных цен на электроэнергию в Италии с экзогенными переменными». Экономика энергетики . 34 (6): 2228–2239. Бибкод : 2012EneEc..34.2228G . doi : 10.1016/j.eneco.2012.06.024 . hdl : 1814/25076 .
  89. ^ Перейти обратно: а б Зиль, Флориан; Штайнерт, Рик; Хусманн, Свен (2015). «Эффективное моделирование и прогнозирование спотовых цен на электроэнергию». Экономика энергетики . 47 : 98–111. arXiv : 1402.7027 . Бибкод : 2015EneEc..47...98Z . дои : 10.1016/j.eneco.2014.10.012 . S2CID   153565992 .
  90. ^ Перейти обратно: а б Амджади, Н.; Хеммати, М. (2006). «Прогнозирование цен на энергоносители – проблемы и предложения по таким прогнозам». Журнал IEEE Power and Energy . 4 (2): 20–29. дои : 10.1109/MPAE.2006.1597990 . ISSN   1540-7977 .
  91. ^ Перейти обратно: а б с д Униеевский, Бартош; Новотарски, Якуб; Верон, Рафал (5 августа 2016 г.). «Автоматический выбор переменных и сокращение для прогнозирования цен на электроэнергию на сутки вперед» . Энергии . 9 (8): 621. дои : 10.3390/en9080621 .
  92. ^ Джеймс, Гарет; Виттен, Даниэла; Хасти, Тревор; Тибширани, Роберт (2013). Введение в статистическое обучение с приложениями на R. Тексты Спрингера в статистике. Том. 103. Спрингер. дои : 10.1007/978-1-4614-7138-7 . ISBN  978-1-4614-7137-0 . S2CID   62973643 .
  93. ^ Каракацани, Нектарий В.; Банн, Дерек В. (2008). «Прогнозирование цен на электроэнергию: влияние фундаментальных факторов и изменяющихся во времени коэффициентов». Международный журнал прогнозирования . Энергетическое прогнозирование. 24 (4): 764–785. doi : 10.1016/j.ijforecast.2008.09.008 .
  94. ^ Бессек, Мари; Фуко, Жюльен; Мерите, Софи (2016). «Прогнозирование спотовых цен на электроэнергию с использованием моделей временных рядов с двойной временной сегментацией» . Прикладная экономика . 48 (5): 361–378. дои : 10.1080/00036846.2015.1080801 . ISSN   0003-6846 . S2CID   52217843 .
  95. ^ Барнс, АК; Балда, JC (2013). «Размер и экономическая оценка хранилища энергии с ценообразованием в реальном времени и вспомогательными услугами». 2013 г. 4-й Международный симпозиум IEEE по силовой электронике для систем распределенной генерации (PEDG) . стр. 1–7. дои : 10.1109/PEDG.2013.6785651 . ISBN  978-1-4799-0692-5 . S2CID   16068022 .
  96. ^ Людвиг, Николь; Фейрригель, Стефан; Нойманн, Дирк (2015). «Применение аналитики больших данных на практике: выбор функций для прогнозирования цен на электроэнергию с использованием LASSO и случайных лесов». Журнал систем принятия решений . 24 (1): 19–36. дои : 10.1080/12460125.2015.994290 . hdl : 20.500.11850/182404 . ISSN   1246-0125 . S2CID   20620071 .
  97. ^ Гайяр, Пьер; Гуд, Янниг; Неделлек, Рафаэль (2016). «Аддитивные модели и надежное агрегирование для вероятностного прогнозирования электрической нагрузки и цен на электроэнергию GEFCom2014». Международный журнал прогнозирования . 32 (3): 1038–1050. doi : 10.1016/j.ijforecast.2015.12.001 .
  98. ^ Зиль, Ф. (2016). «Прогнозирование спотовых цен на электроэнергию с использованием Лассо: определение авторегрессионной внутридневной структуры». Транзакции IEEE в энергосистемах . 31 (6): 4977–4987. arXiv : 1509.01966 . Бибкод : 2016ITPSy..31.4977Z . дои : 10.1109/TPWRS.2016.2521545 . ISSN   0885-8950 . S2CID   30350943 .
  99. ^ Де Гойер, Ян Г.; Гайндман, Роб Дж. (2006). «25 лет прогнозирования временных рядов». Международный журнал прогнозирования . Двадцать пять лет прогнозирования. 22 (3): 443–473. CiteSeerX   10.1.1.154.9227 . doi : 10.1016/j.ijforecast.2006.01.001 . S2CID   14996235 .
  100. ^ Хун, Тао; Пинсон, Пьер; Фан, Шу (2014). «Глобальный конкурс энергетических прогнозов 2012». Международный журнал прогнозирования . 30 (2): 357–363. doi : 10.1016/j.ijforecast.2013.07.001 .
  101. ^ Перейти обратно: а б Новотарски, Якуб; Верон, Рафал (2015). «Расчет интервалов прогнозирования спотовых цен на электроэнергию с использованием квантильной регрессии и усреднения прогноза» (PDF) . Вычислительная статистика . 30 (3). [Открытый доступ]: 791–803. дои : 10.1007/s00180-014-0523-0 . ISSN   0943-4062 . S2CID   122926112 .
  102. ^ Тейлор, Дж.В.; Маджития, С. (2000). «Использование комбинированных прогнозов с изменяющимися весами для составления профиля спроса на электроэнергию». Журнал Общества операционных исследований . 51 (1): 72–82. CiteSeerX   10.1.1.501.5706 . дои : 10.1057/palgrave.jors.2600856 . S2CID   8165916 .
  103. ^ Перейти обратно: а б Бординьон, Сильвано; Банн, Дерек В.; Лиси, Франческо; Нэн, Фани (2013). «Объединение прогнозов цен на электроэнергию в Великобритании на сутки вперед» (PDF) . Экономика энергетики . Количественный анализ энергетических рынков. 35 : 88–103. Бибкод : 2013EneEc..35...88B . дои : 10.1016/j.eneco.2011.12.001 . hdl : 11577/3442493 .
  104. ^ Перейти обратно: а б Новотарски, Якуб; Равив, Эран; Трюк, Стефан; Верон, Рафал (2014). «Эмпирическое сравнение альтернативных схем объединения прогнозов спотовых цен на электроэнергию». Экономика энергетики . 46 : 395–412. Бибкод : 2014EneEc..46..395N . дои : 10.1016/j.eneco.2014.07.014 .
  105. ^ Перейти обратно: а б Мацеёвска, Катажина; Верон, Рафал (2015). «Прогнозирование ежедневных цен на электроэнергию с помощью факторных моделей: использование внутридневных и межзональных связей» . Вычислительная статистика . 30 (3). [Открытый доступ]: 805–819. дои : 10.1007/s00180-014-0531-0 . ISSN   0943-4062 .
  106. ^ Равив, Эран; Бауман, Кес Э.; ван Дейк, Дик (2015). «Прогнозирование цен на электроэнергию на сутки вперед: использование почасовых цен» (PDF) . Экономика энергетики . 50 : 227–239. Бибкод : 2015EneEc..50..227R . doi : 10.1016/j.eneco.2015.05.014 . hdl : 1765/40407 .
Retrieved from "https://en.wikipedia.org/w/index.php?title=Electricity_price_forecasting&oldid=1237727290"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 295e61338ea175b43c15aa068b534a7c__1722392820
URL1:https://arc.ask3.ru/arc/aa/29/7c/295e61338ea175b43c15aa068b534a7c.html
Заголовок, (Title) документа по адресу, URL1:
Electricity price forecasting - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)