Improving Sequential Market Coordination via Value-oriented Renewable Energy Forecasting
作者: Yufan Zhang, Honglin Wen, Yuexin Bian, Yuanyuan Shi
分类: eess.SY, cs.LG
发布日期: 2024-05-15 (更新: 2025-08-06)
备注: Submitted to IEEE Transactions on Energy Markets, Policy, and Regulation
💡 一句话要点
提出面向价值的可再生能源预测方法，优化日前市场协调
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 可再生能源预测 电力市场协调 日前市场 实时市场 价值优化 市场结算 线性规划
📋 核心要点
- 现有日前市场确定性结算方法未能充分协调日前和实时市场，导致可再生能源并网运营成本高昂。
- 提出面向价值的预测模型，直接优化可再生能源的申报量，以最小化日前和实时市场的总运营成本。
- 数值实验表明，相比传统预测方法，该方法能显著降低确定性市场结算的总体运营成本。
📝 摘要（中文）
可再生能源的大量接入给电力市场带来了巨大的不确定性。目前日前市场(DA)中基于预期发电量的确定性结算方法，因缺乏DA和实时(RT)市场之间的协调而备受诟病，导致整体运营成本居高不下。以往的研究表明，改进日前可再生能源的申报量可以显著缓解确定性结算的弊端。本文提出了一种训练好的预测模型，称为面向价值的预测，以在运营阶段更有效地确定可再生能源的改进申报量(RIEQ)。与传统的最小化统计预测误差的模型不同，我们的方法训练模型参数以最小化DA和RT市场中的预期总运营成本。我们推导了用于训练的损失函数的精确形式，当市场清算由线性规划建模时，该函数变为分段线性。此外，我们提供了损失函数相对于预测的解析梯度，从而实现高效的训练策略。数值研究表明，与基于预期可再生能源发电量的传统预测相比，我们的预测显著降低了确定性市场清算的总体运营成本。
🔬 方法详解
问题定义：论文旨在解决可再生能源高比例接入电力系统后，日前市场（DA）和实时市场（RT）协调不足的问题。传统的日前市场采用确定性结算，可再生能源的参与基于预测的发电量，但预测误差导致实际运行中需要频繁调整，增加了整体运营成本。现有方法主要关注降低预测误差，而忽略了预测对市场运营成本的直接影响。
核心思路：论文的核心思路是训练一个“面向价值”的预测模型，该模型的目标不是最小化预测误差，而是直接最小化日前和实时市场的总运营成本。通过优化可再生能源的申报量，使得市场结算结果更加经济高效。这种方法将预测与市场运营紧密结合，从而实现更好的市场协调。
技术框架：整体框架包括以下几个主要步骤：1) 收集历史市场数据，包括可再生能源发电量、负荷需求、市场价格等；2) 构建日前和实时市场的线性规划模型，模拟市场结算过程；3) 设计面向价值的预测模型，该模型以可再生能源发电量为输入，输出改进的申报量；4) 定义损失函数，该函数表示日前和实时市场的总运营成本，并基于市场结算模型计算；5) 使用历史数据训练预测模型，通过最小化损失函数来优化模型参数；6) 在实际市场环境中应用训练好的预测模型，评估其性能。
关键创新：最重要的技术创新点在于将预测模型的训练目标与市场运营成本直接关联。传统的预测模型通常以最小化预测误差为目标，而该论文提出的方法直接优化市场运营成本，从而更好地适应市场需求。此外，论文还推导了损失函数相对于预测值的解析梯度，使得训练过程更加高效。
关键设计：论文的关键设计包括：1) 损失函数的设计，该函数基于日前和实时市场的线性规划模型，能够准确反映市场运营成本；2) 解析梯度的推导，避免了使用数值方法计算梯度，提高了训练效率；3) 预测模型的选择，可以使用各种机器学习模型，如神经网络、支持向量机等。论文中损失函数被设计为分段线性函数，以便于计算和优化。
🖼️ 关键图片
📊 实验亮点
数值实验表明，与传统的基于预期可再生能源发电量的预测方法相比，该论文提出的面向价值的预测方法能够显著降低确定性市场结算的总体运营成本。具体的性能数据（例如，成本降低的百分比）在论文中给出，但摘要中未明确提及。
🎯 应用场景
该研究成果可应用于电力市场的运营和调度，尤其是在可再生能源渗透率较高的地区。通过提高日前市场的协调性，降低整体运营成本，促进可再生能源的消纳。该方法还有潜力扩展到其他能源市场，如天然气市场、碳排放市场等，具有广阔的应用前景。
📄 摘要（原文）
Large penetration of renewable energy sources (RESs) brings huge uncertainty into the electricity markets. The current deterministic clearing approach in the day-ahead (DA) market, where RESs participate based on expected production, has been criticized for causing a lack of coordination between the DA and real-time (RT) markets, leading to high overall operating costs. Previous works indicate that improving day-ahead RES entering quantities can significantly mitigate the drawbacks of deterministic clearing. In this work, we propose using a trained forecasting model, referred to as value-oriented forecasting, to determine RES Improved Entering Quantities (RIEQ) more efficiently during the operational phase. Unlike traditional models that minimize statistical forecasting errors, our approach trains model parameters to minimize the expected overall operating costs across both DA and RT markets. We derive the exact form of the loss function used for training, which becomes piecewise linear when market clearing is modeled by linear programs. Additionally, we provide the analytical gradient of the loss function with respect to the forecast, enabling an efficient training strategy. Numerical studies demonstrate that our forecasts significantly reduce overall operating costs for deterministic market clearing compared to conventional forecasts based on expected RES production.