XiaoMi-AI文件搜索系统
World File Search System套利
伟大的碳套利，WP/22/107，2022 年 5 月
* 本文表达的观点不一定反映国际货币基金组织、其管理层或执行董事的观点。作者要感谢 Viral Acharya、Ananthakrishnan Prasad、Helge Berger、Darrell Duffie、Charles Goodhart、Robin Greenwood、Lawrence Goulder、Emmanuele Massetti、Robert Pindyck、Rick van der Ploeg、James Roaf、Suphachol Suphachalasai、Rupert Way 和 Johannes Wiegand 提出的有益建议。非常感谢欧洲研究理事会 (ERC) 根据 ERC 高级资助计划（资助协议编号 885552 投资者和气候变化）为本研究提供的资助。我们感谢 Asset Resolution 提供其数据访问权限。我们感谢阿姆斯特丹自由大学、阿姆斯特丹大学、荷兰中央银行、国际货币基金组织、牛津大学马丁学院新经济思维研究所、富达投资、气候政策倡议、世界资源研究所和货币监理署研讨会的参与者提供的反馈。我们还感谢可持续资本会议、康奈尔大学 ESG 投资会议、斯坦福大学经济系气候金融创新与政策挑战会议、欧洲中央银行财政政策与气候变化研讨会以及斯坦福大学商学院和斯坦福大学杜尔可持续发展学院环境可持续性政治经济学会议的参与者提供的评论。我们要感谢 Moritz Baer、牛津可持续金融小组环境压力测试和情景计划 (ESTS) 和 2° 投资倡议提供的宝贵研究支持。我们还要感谢陈刘敏、肖彦哲，尤其是 Rudy Tanin 提供的出色研究协助。可以在 https://greatcarbonarbitrage.com 找到计算工具和额外分析。
通过机会价值函数预测进行储能价格套利
摘要 — 本文提出了一种结合监督学习和动态规划的新型储能价格套利算法。所提出的方法使用神经网络直接预测不同储能充电状态水平下的机会成本，然后将预测的机会成本输入基于模型的套利控制算法以做出最佳决策。我们使用价格数据和动态规划算法生成历史最优机会价值函数，然后将其作为基本事实并以历史价格作为预测因子来训练机会价值函数预测模型。在使用不同储能模型和纽约州价格数据的案例研究中，我们的方法与完美预见相比实现了 65% 至 90% 的利润，这大大优于现有的基于模型和基于学习的方法。在保证高盈利能力的同时，该算法也是轻量级的，可以以最小的计算成本进行训练和实施。我们的结果还表明，学习到的预测模型具有出色的可转移性。使用一个地区的价格数据训练的预测模型在其他地区测试时也能提供良好的套利结果。索引词 — 能源存储；深度学习；电力系统经济学。I. 引言
混凝土热能储存能量套利配置中集成储能系统的控制分析
免责声明 本信息是根据美国政府机构资助的工作编写的。美国政府及其任何机构或其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
基于元启发式的微电网规模模型，集成套利感知多日电池调度
摘要：基于规则的微电网调度策略在过去二十年中受到了广泛关注。然而，最近的大量文献已确凿地表明，在优化微电网规模的同时，优化运营调度具有诸多好处。这通常被称为微电网设计和调度协同优化 (MGDCO)。然而，据可查明，文献中所有现有的 MGDCO 模型都考虑了 24 小时解析的日前时间范围，以实现相关的最佳能源调度过程。也就是说，在更广泛的相关文献中，通常没有关于多日时间范围内的智能、前瞻性能源调度策略。为此，本文介绍了一种新颖的 MGDCO 建模框架，该框架将基于套利感知线性规划的多日能源调度策略集成到基于元启发式的标准微电网投资规划流程中。重要的是，该模型通过生成考虑三天内情景的最佳调度解决方案，有效地延长了微电网投资规划问题中主流能源调度优化的时间范围。基于从测试案例微电网获得的数值模拟结果，验证了所提出的基于优化的调度策略在微电网规模确定过程中的有效性，同时保留了计算的可处理性。具体而言，将使用制定的 72 小时调度策略的所提出的投资规划框架与照常的 MGDCO 方法进行比较，结果表明它可以将微电网的全寿命成本降低高达 8%。所提出方法的优异性能在很大程度上可归因于有效利用了电表后锂离子电池存储，从而提高了整体系统的灵活性。
套利与产能巩固与日俱增……
摘要 — 混合光伏电站 (HPP) 将光伏 (PV) 电站与电池储能系统 (BESS) 结合在一起，美国能源部认为这是朝着可再生能源发电厂未来迈出的有希望的一步。当可再生能源渗透率达到相当高的水平时，混合光伏电站可以作为可控热电厂参与未来电力市场的竞标。本研究提出了一种 HPP 的竞标和 BESS 调度模型。稳健优化 (RO) 技术已被用来识别竞标过程中不确定性的最坏情况。为了解决单级 RO 过于保守的问题，我们通过两级 RO 公式将 BESS 套利计划和 PV 容量固定分离。通过比较单级 RO 和两级 RO 的输出，两级 RO 以更积极的方式进行竞标和调度，从而增加了 HPP 的收入。此外，我们的模型还考虑了发电不足的惩罚，以便可以根据潜在的发电不足惩罚调整日前竞价决策和套利计划。由于所提出的模型是非凸的并且包含多个阶段，因此将列和约束生成 (C&CG) 算法应用于该模型作为解决方案。与案例研究中最先进的单阶段竞价方法相比，所提出的模型表现出更好的经济性能。
由可解释人工智能驱动的统计套利
机器学习技术最近已成为检测金融市场模式的常态。但是，仅依靠机器学习算法进行决策可能会产生负面影响，尤其是在金融等关键领域。另一方面，众所周知，将数据转化为可操作的见解即使对于经验丰富的从业者来说也是一项挑战，尤其是在金融界。鉴于这些令人信服的理由，这项工作提出了一种由可解释的人工智能技术驱动的机器学习方法，该方法集成到统计套利交易管道中。具体来说，我们提出了三种方法来丢弃与预测任务无关的特征。我们对标准普尔 500 指数成分股的历史数据评估了这些方法，旨在不仅提高股票层面的预测性能，而且提高股票集层面的整体预测性能。我们的分析表明，包含此类特征选择方法的交易策略通过提供预测信号来改善投资组合的表现，这些预测信号的信息内容足够，并且比嵌入整个特征集中的信号噪音更小。通过进行深入的风险回报分析，我们表明，由可解释的人工智能驱动的拟议交易策略优于被视为基线的高度竞争交易策略。
利用深度强化学习共同优化电池存储，实现实时市场的能源套利和频率调节
摘要：电池储能系统 (BESS) 在消除可再生能源发电相关的不确定性、维持电网稳定性和提高灵活性方面发挥着关键作用。本文使用 BESS 同时提供能源套利 (EA) 和频率调节 (FR) 服务，以在物理约束范围内最大化其总收益。EA 和 FR 操作在不同的时间尺度上进行。多时间尺度问题被表述为两个嵌套的马尔可夫决策过程 (MDP) 子模型。该问题是一个复杂的决策问题，具有大量高维数据和不确定性（例如电价）。因此，提出了一种新颖的协同优化方案来处理多时间尺度问题，并协调 EA 和 FR 服务。使用三重深度确定性策略梯度和探索噪声衰减 (TDD-ND) 方法在每个时间尺度上获得最佳策略。使用来自美国 PJM 监管市场的实时电价和监管信号数据进行模拟。模拟结果表明，所提出的方法比文献中研究的其他策略表现更好。
利用深度强化学习共同优化电池存储，实现实时市场的能源套利和频率调节
摘要：电池储能系统 (BESS) 在消除可再生能源发电相关的不确定性、维持电网稳定性和提高灵活性方面发挥着关键作用。本文使用 BESS 同时提供能源套利 (EA) 和频率调节 (FR) 服务，以在物理约束范围内最大化其总收益。EA 和 FR 操作在不同的时间尺度上进行。多时间尺度问题被表述为两个嵌套的马尔可夫决策过程 (MDP) 子模型。该问题是一个复杂的决策问题，具有大量高维数据和不确定性（例如电价）。因此，提出了一种新颖的协同优化方案来处理多时间尺度问题，并协调 EA 和 FR 服务。使用三重深度确定性策略梯度和探索噪声衰减 (TDD-ND) 方法在每个时间尺度上获得最佳策略。使用来自美国 PJM 监管市场的实时电价和监管信号数据进行模拟。模拟结果表明，所提出的方法比文献中研究的其他策略表现更好。
大规模电池存储、短期市场结果和套利∗
四个默认负荷聚合点 (DLAP) 提供 6 个 RTM 价格。与 Bushnell 和 Novan [ 2021 ] 类似，我们对来自 DLAP 位置的价格数据取平均值，以获得 CAISO 的独特时间序列。四个 DLAP 位置分别是太平洋天然气电力公司 (PG&E)、南加州爱迪生公司 (SCE)、圣地亚哥天然气电力公司 (SDG&E) 和谷地电力协会 (VEA)。每个 DLAP 内的价格是边际能源价格与拥堵和损失价格的总和。能源成分是 DLAP 价格中最大的成分，它在 DLAP 之间保持不变，从而导致 DLAP 之间的高度相关性。同样，我们从三个 CAISO 交易区（NP15、SP15 和 ZP26）获得 DAM 价格，并对这些时间序列取平均值，以获得 DAM 价格的独特时间序列。 7 EIA-860 表格报告了有关现有发电机和 1 兆瓦或更大功率容量的存储设施的发电机级具体信息。美国能源部全球能源存储数据库是美国和全球详细能源存储项目的开放获取资源。8 加利福尼亚州于 2020 年 3 月 4 日通过行政命令 N-33-20 宣布进入紧急状态，随后于 3 月 19 日发布了全州强制居家令。
大规模电池存储、短期市场结果和套利
储能对电力市场结果的影响：排放（例如 Holladay 和 LaRiviere，2018 年）、储能在辅助服务市场中的价值（例如 Cheng 和 Powell，2016 年）；储能在整合 VRE 中的作用（例如 Black 和 Strbac，2007 年）；电池的拥堵效益（Kirkpatrick，2020 年）；市场结构对电池投资和社会福利的影响（Andres-Cerezo 和 Fabra，2020 年）