Optimal Bidding Strategy in Day-Ahead Electricity Market for Large Consumers
Notice bibliographique
Résumé
Electricity price forecasting has become an essential task for electricity buyers and sellers participating in competitive power markets. Compared to the existing point forecasting methods, probabilistic forecasting approaches provide more information about the future forecasts of electricity prices. This paper uses the double exponential smoothing (DES) and triple exponential smoothing (TES) methods to compute volatility forecasts of day-ahead electricity prices. Moreover, we use the elastic net regularization to compute regularized forecasts for volatility. Sample sign correlation of standardized electricity prices (standardized by volatility forecasts) is used to identify the conditional distribution of the electricity price series. Validation of the regularized volatility forecasts is demonstrated using the publicly available hourly Ontario electricity prices. Our data analysis shows that TES forecasts of volatility outperform DES forecasts. Besides, elastic net regularization decreases the mean absolute error of the TES day-ahead volatility forecasts from 11.98 to 11.07. Energy procurement of a large consumer is modelled as an optimization problem to find the optimal bidding strategy. First, a gradient boosting regression (GBR) method computes the optimum electricity prices to be placed in the day-ahead market. Then, a linear programming method is used to obtain the optimum strategy by computing the quantities that need to be bought from the market for the upcoming day. Our simulation results indicate that using probabilistic forecasts of electricity prices leads to a more flexible and efficient bidding strategy than using the point forecasts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».