Key points are not available for this paper at this time.
Die Vorhersage des standortbasierten Marktpreises (LBMP) in Echtzeit ist eine wichtige und komplexe Aufgabe, die eine hohe Genauigkeit erfordert, um extreme Preisspitzen zu modellieren. Das Auftreten von Preisspitzen im Echtzeit-LBMP ist auf die Unsicherheit in der Lastnachfrage sowie auf signifikante Temperaturschwankungen im Laufe des Tages zurückzuführen. Diese Schwankungen verursachen extreme Preisspitzen beim Marktclearingpreis aufgrund von Übertragungsunterbrechungen, Versorgungsengpässen und dem Verbrauch kostspieliger Erzeugungsreserven. Daher sind die Marktteilnehmer gezwungen, den Strom zu einem sehr hohen Preis zu kaufen, während die von den Marktbehörden festgelegte Preisobergrenze zu wirtschaftlichen Verlusten für Händler und Marktteilnehmer führt. Folglich ist eine genaue Preisprognose eine wichtige Maßnahme, um gegen Volatilität abzusichern. Dieses Papier schlägt eine hybride Technik vor, die die Singular-Spektralanalyse und neuronale Netze integriert und Temperatur- sowie Lastdaten für die Prognose im Strommarkt für den nächsten Tag verwendet. Die mit dieser hybriden Technik erzielten Ergebnisse sind im Vergleich zu bestehenden Methoden, die in der Literatur beschrieben sind, genauer.
Varshney et al. (Freitag) haben diese Frage untersucht.