基于实时机器学习的系统不平衡预测及其在可再生能源聚合商风险管理中的应用——以希腊电力系统为例

《Energies》：Enhanced Machine Learning Techniques for System Imbalance Forecasting

　　

摘要

可再生能源（RES）的不可预测性已成为发电与用电失衡的主要原因，输电系统运营商（TSO）必须在实时运行中予以处理。可再生能源的随机性以及往往过大的不平衡量，增加了可再生能源聚合商的财务风险。因此，对于寻求避免这些费用的可再生能源聚合商而言，预测系统不平衡变得至关重要。本文采用当代实时机器学习模型来预测系统不平衡，并基于预测精度对其进行评估。定性预测源于一个分类问题，用于确定系统的方向：是电力过剩（“多头”系统）还是生产不足（“空头”系统）。该预测与回归问题的解及置信区间计算相结合，为系统不平衡量提供了更深入的洞察。本文以希腊电力系统为案例研究，并给出了相应的测试结果，证明了所提方法在预测系统不平衡方向和幅度方面的有效性。进一步地，将预测结果与朴素基准进行对比，并通过统计显著性检验加以验证；同时，将概率预测嵌入基于风险约束（CVaR）的市场定位问题中，在事后应用于一家希腊可再生能源聚合商时，在四个月期间节省了98万至134万欧元。