Classification of Future Electricity Market Prices

ABSTRACT

Forecasting short-term electricity market prices has been the focus of several studies in recent years. Although various approaches have been examined, achieving sufficiently low forecasting errors has not been always possible. However, certain applications, such as demand-side management, do not require exact values for future prices but utilize specific price thresholds as the basis for making short-term scheduling decisions. In this paper, classification of future electricity market prices with respect to prespecified price thresholds is introduced. Two alternative models based on support vector machines are proposed in a multi-class, multi-step-ahead price classification context. Numerical results are provided for classifying prices in Ontario’s and Alberta’s markets.

INTRODUCTION

LECTRICITY price is a key factor in determining short-term operating schedules and bidding strategies in competitive electricity markets . Consequently, numerous data-driven approaches have been proposed for modeling and forecasting short-term electricity market prices . The reported price forecasting errors generally range from approximately 5% to 36% and vary based on the technique used and the market analyzed. This range of error, however, is relatively high when compared to that of short-term electric load forecasting where errors usually range from 1% to 3% . Various factors contribute to reduced accuracy of electricity price forecasting models; unpredictable forced outages , complex and changing price regimes , integration of intermittent energy sources , and implementation of reliability-based demand response programs all introduce fluctuations and changes in electricity prices that may be extremely difficult to model accurately and consistently. It is observed from the existing literature that traditional price forecasting models are generally developed for numerical prediction or point-forecasting. That is, existing models try to predict the exact value of prices at future hours by approximating the true underlying price formation process. However, not all market participants need to know the exact value of future prices in their decision-making process. For example, through the in troduction of “smart grid” technologies and new marketplace initiatives, it is expected that the demand-side interactions will be enabled to widely participate in electricity markets at the residential, commercial, and industrial levels . Considering the on/off nature of most of electric loads, especially at the residential level, demand-side market participants may primarily react when prices exceed specific thresholds.

چکیده

پیش بینی قیمت های کوتاه مدت بازار برق در چند سال اخیر، تمرکز مطالعات متعددی بوده است. اگر چه روش های مختلف مورد بررسی قرار گرفته است، دستیابی به اشتباهات پیش بینی به اندازه کافی کم نبوده است. با این حال، برنامه های خاصی نظیر مدیریت تقاضا، نیازی به ارزش دقیق برای قیمت های آینده ندارند، بلکه از آستانه های خاص قیمت به عنوان پایه ای برای تصمیم گیری های کوتاه مدت برنامه ریزی استفاده می کنند. در این مقاله، طبقه بندی قیمت های بازار برق آینده با توجه به آستانه قیمت پیشنهادی معرفی شده است. دو مدل جایگزین مبتنی بر ماشین های بردار پشتیبانی در یک طبقه بندی طبقه بندی چند طبقه ای، قیمت چند مرحله ای ارائه می شود. نتایج عددی برای طبقه بندی قیمت ها در بازارهای انتاریو و آلبرتا ارائه شده است.

مقدمه

قیمت LECTRICITY یک عامل کلیدی در تعیین برنامه های کوتاه مدت عملیاتی و استراتژی های خرید در بازارهای رقابتی برق است. در نتیجه، برای مدل سازی و پیش بینی قیمت های کوتاه مدت بازار برق پیشنهاد شده است رویکردهای متعددی برای داده ها استفاده شده است. خطاهای پیش بینی قیمت گزارش شده معمولا از حدود 5 تا 36 درصد متغیر هستند و بر اساس تکنیک مورد استفاده و بازار تحلیل می شود. این خطای خطا، با این حال، نسبتا بالا است در مقایسه با پیش بینی بار الکتریکی کوتاه مدت که خطا معمولا از 1٪ تا 3٪ متغیر است. عوامل مختلفی به کاهش دقت مدل های پیش بینی قیمت برق کمک می کنند؛ تعویق های غیرقابل پیش بینی اجباری، رژیم های پیچیده و تغییر قیمت، ادغام منابع انرژی متناوب و اجرای برنامه های پاسخگویی به تقاضای مبتنی بر قابلیت اطمینان، همه ی نوسانات و تغییرات در قیمت برق را نشان می دهند که ممکن است به طور دقیق و مداوم مدل سازی شوند. از ادبیات موجود مشاهده می شود که مدل های پیش بینی قیمت سنتی به طور کلی برای پیش بینی عددی یا پیش بینی نقطه ای طراحی شده اند. به عبارت دیگر، مدل های موجود سعی می کنند قیمت دقیق قیمت ها را در ساعت های آینده با تقسیم فرآیند تشکیل قیمت واقعی پایه، پیش بینی کنند. با این حال، همه شرکت کنندگان در بازار نباید ارزش دقیق قیمت های آینده را در روند تصمیم گیری خود بدانند. به عنوان مثال، از طریق معرفی فن آوری های “هوشمند شبکه” و ابتکارات بازار جدید، انتظار می رود که تعاملات تقاضای جانبی به طور گسترده ای در بازار برق در سطوح مسکونی، تجاری و صنعتی فعال شود. با توجه به ماهیت بیشتر / بیشتر از بارهای الکتریکی، به ویژه در سطح مسکونی، شرکت کنندگان در بخش تقاضای بازار ممکن است در زمانی که قیمت ها از آستانه های مشخص بالاتر است واکنش نشان دهند.

Year: 2010

Publisher : IEEE

By : Hamidreza Zareipour, Arya Janjani, Henry Leung, Amir Motamedi, and Antony Schellenberg