Conformal Prediction for Stochastic Decision-Making of PV Power in Electricity Markets

要約

この論文では、電力市場への参加を強化するため、太陽光発電の前日予測に、新しい確率的予測手法である等角予測 (CP) を使用する方法について研究します。
まず、機械学習モデルを使用してポイント予測を構築します。
その後、CP のいくつかの変形が実装され、CP 間隔と累積分布関数を作成することでそれらの予測の不確実性が定量化されます。
電力市場の最適な量の入札は、不確実性の下でいくつかの入札戦略、つまり、予測を信頼する、最悪の場合、ニュースベンダー、期待される電力最大化 (EUM) を使用して推定されます。
結果は、k 最近傍および/またはモンドリアン ビニングと組み合わせた CP が、対応する線形分位点リグレッサーよりも優れていることを示しています。
CP を特定の入札戦略と組み合わせて使用​​すると、エネルギーの不均衡を最小限に抑えながら高い利益を得ることができます。
具体的には、ランダムフォレスト回帰後の k 最近傍とモンドリアン ビニングによる等角予測システムを使用すると、意思決定戦略に関係なく、最高の利益と不均衡が得られます。
この不確実性定量化手法と条件付きバリュー・アット・リスク (CVaR) を備えた EUM 戦略を組み合わせると、エネルギーの不均衡を最小限に抑えながら潜在利益の最大 93% を生み出すことができます。

要約(オリジナル)

This paper studies the use of conformal prediction (CP), an emerging probabilistic forecasting method, for day-ahead photovoltaic power predictions to enhance participation in electricity markets. First, machine learning models are used to construct point predictions. Thereafter, several variants of CP are implemented to quantify the uncertainty of those predictions by creating CP intervals and cumulative distribution functions. Optimal quantity bids for the electricity market are estimated using several bidding strategies under uncertainty, namely: trust-the-forecast, worst-case, Newsvendor and expected utility maximization (EUM). Results show that CP in combination with k-nearest neighbors and/or Mondrian binning outperforms its corresponding linear quantile regressors. Using CP in combination with certain bidding strategies can yield high profit with minimal energy imbalance. In concrete, using conformal predictive systems with k-nearest neighbors and Mondrian binning after random forest regression yields the best profit and imbalance regardless of the decision-making strategy. Combining this uncertainty quantification method with the EUM strategy with conditional value at risk (CVaR) can yield up to 93\% of the potential profit with minimal energy imbalance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google