AI Driven Near Real-time Locational Marginal Pricing Method: A Feasibility and Robustness Study

要約

正確な価格予測は、特に電力価格の変動が激しくなり、従来のアプローチでは予測が困難になっている現在の状況では、運用スケジュールや入札戦略を最適化するために市場参加者にとって不可欠です。
地域限界価格 (LMP) の価格設定メカニズムは、多くの現代の電力市場で使用されており、従来のアプローチでは最適電力潮流 (OPF) ソルバーが使用されています。
ただし、大規模な電力網の場合、このプロセスは法外に時間がかかり、計算量が多くなります。
機械学習 (ML) ベースの予測は、特に再生可能エネルギーのような断続的な電源を使用するエネルギー市場において、LMP 予測のための効率的なツールを提供する可能性があります。
この研究では、複数の電力網で LMP を予測する際の一般的な機械学習モデルと深層学習モデルのパフォーマンスを評価します。
LMP を予測する際のこれらのモデルの精度と堅牢性は、複数のシナリオを考慮して評価されます。
結果は、ML モデルが従来の OPF ソルバーよりも 4 ～ 5 桁速く、エラー率 5 ～ 6\% で LMP を予測できることを示しており、ハードウェア インフラストラクチャの支援による大規模電力モデルの LMP 予測における ML モデルの可能性を強調しています。
最新の HPC クラスターのマルチコア CPU や GPU と同様です。

要約(オリジナル)

Accurate price predictions are essential for market participants in order to optimize their operational schedules and bidding strategies, especially in the current context where electricity prices become more volatile and less predictable using classical approaches. The Locational Marginal Pricing (LMP) pricing mechanism is used in many modern power markets, where the traditional approach utilizes optimal power flow (OPF) solvers. However, for large electricity grids this process becomes prohibitively time-consuming and computationally intensive. Machine learning (ML) based predictions could provide an efficient tool for LMP prediction, especially in energy markets with intermittent sources like renewable energy. This study evaluates the performance of popular machine learning and deep learning models in predicting LMP on multiple electricity grids. The accuracy and robustness of these models in predicting LMP is assessed considering multiple scenarios. The results show that ML models can predict LMP 4-5 orders of magnitude faster than traditional OPF solvers with 5-6\% error rate, highlighting the potential of ML models in LMP prediction for large-scale power models with the assistance of hardware infrastructure like multi-core CPUs and GPUs in modern HPC clusters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google