ML-Based Bidding Price Prediction for Pay-As-Bid Ancillary Services Markets: A Use Case in the German Control Reserve Market

要約

再生可能エネルギー源の統合の増加により、発電におけるボラティリティと予測不可能性が高まり、グリッドの安定性に課題があります。
ドイツの管理予備市場などの補助サービス市場により、産業用消費者と生産者は消費電力または生成に柔軟性を提供し、追加の収入を得ながらグリッドの安定性に貢献できます。
ただし、多くの参加者は、収益を最大化しない可能性のある単純な入札戦略を使用しています。
このホワイトペーパーでは、ドイツの管理予備市場に焦点を当てた、給与としての補助サービス市場での入札価格を予測するための方法論を紹介します。
サポートベクトル回帰、意思決定ツリー、k-nearest Neighborsなど、さまざまな機械学習モデルを評価し、そのパフォーマンスをベンチマークモデルと比較します。
給与としての収益市場の収益関数の非対称性に対処するために、予測モデルの実際的な適用性を高めるオフセット調整手法を導入します。
私たちの分析は、提案されたアプローチがベースラインモデルと比較して潜在的な収益を27.43％から37.31％改善することを示しています。
モデルの予測エラーと収益の関係を分析する場合、3つの市場で負の相関が測定されます。
結果によると、1ユーロ/MWモデルの価格予測エラー（MAE）の削減により、統計的には483ユーロ/MWと3,631ユーロ/MWの年間収益が増加します。
提案された方法論により、産業参加者は入札戦略を最適化し、収益の増加につながり、電気網の効率と安定性に貢献できます。

要約(オリジナル)

The increasing integration of renewable energy sources has led to greater volatility and unpredictability in electricity generation, posing challenges to grid stability. Ancillary service markets, such as the German control reserve market, allow industrial consumers and producers to offer flexibility in their power consumption or generation, contributing to grid stability while earning additional income. However, many participants use simple bidding strategies that may not maximize their revenues. This paper presents a methodology for forecasting bidding prices in pay-as-bid ancillary service markets, focusing on the German control reserve market. We evaluate various machine learning models, including Support Vector Regression, Decision Trees, and k-Nearest Neighbors, and compare their performance against benchmark models. To address the asymmetry in the revenue function of pay-as-bid markets, we introduce an offset adjustment technique that enhances the practical applicability of the forecasting models. Our analysis demonstrates that the proposed approach improves potential revenues by 27.43 % to 37.31 % compared to baseline models. When analyzing the relationship between the model forecasting errors and the revenue, a negative correlation is measured for three markets; according to the results, a reduction of 1 EUR/MW model price forecasting error (MAE) statistically leads to a yearly revenue increase between 483 EUR/MW and 3,631 EUR/MW. The proposed methodology enables industrial participants to optimize their bidding strategies, leading to increased earnings and contributing to the efficiency and stability of the electrical grid.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google