XiaoMi-AI文件搜索系统
World File Search System套利
间歇性可再生能源、水电动态和储能套利的盈利能力
摘要 1 本文估计了太阳能和风能间歇性对批发价格、套利机会和存储盈利能力的影响。首先，我利用风能和太阳能发电的短期随机性来估计墨西哥批发电力市场价格的每小时下降幅度（优先排序效应）。其次，由于水力发电已经通过平滑风能和太阳能的每小时间歇性充当了电池存储，因此我使用滞后来控制重新分配，估计适当的动态优先排序效应并预测未来更大可再生能源容量的批发价格。第三，我使用动态优化来评估边际存储者的能源套利盈利能力。基于 2019 年市场平均批发价格（10.6 GW 风能和太阳能）的存储利润低于电池的平准化成本 (LCOE)。对于 2029 年计划的风能和太阳能容量（30.9 GW），存储套利利润将在其预计的 4 小时电池 LCOE 下降范围内。然而，对于价格差异较大且传输不完全拥堵的节点，套利存储将在 2025 年（25.4 GW）之前进入 LCOE 范围。抽水蓄能水电以较低的费率套利电力，因此其利润低于电池。如果我们考虑其他服务（例如频率调节），存储的全部价值可能会更大。类似的经验教训将适用于可再生能源和非主导水电份额不断增加的电网/国家。JEL 分类：L94、Q41、Q42、Q47 关键词：风能和太阳能、存储、水力发电、优先顺序效应
在权益回报的条件因素模型下进行统计套利。
我们考虑了分析统计套利交易策略的概述中美国股票多元投资组合的条件因素模型。一个状态空间框架是因素模型的基础，该因素模型被认为是对因子值和潜在因子风险溢价的线性组合的嘈杂观察。以在线方式检索风险溢价的过滤和状态预测估计。此类估计值诱导了可以与测量观测值进行比较的过滤资产回报，其中较大的偏差代表了候选平均归还交易。此外，由于风险溢价是建模为时变数量的，因此事实捕获了非平稳性回报。我们研究了尊重交易成本的经验交易策略，并在长期历史上证明了线性和非线性状态空间模型的绩效。我们的结果表明，该模型相对于其他方法的结果具有竞争力，包括文献中发布的简单基准和其他尖端方法。同样值得注意的是，尽管战略绩效降级是随着时间的推移而引起的，尤其是在近年来，该战略继续提供令人信服的经济学，并具有进一步的进步。
交易还是不交易：同时优化电池存储以实现套利和辅助服务
重复使用本文根据 Creative Commons 署名-非商业-禁止演绎 (CC BY-NC-ND) 许可条款发布。此许可仅允许您下载此作品并在注明作者的情况下与他人共享，但您不得以任何方式更改本文或将其用于商业用途。更多信息和许可条款的完整内容请参见：https://creativecommons.org/licenses/
通过能源套利实现运营约束下收益叠加的最佳电池充电调度
摘要 — 随着可变可再生能源在电力结构中的份额不断增加，需要新的解决方案来构建灵活可靠的电网。电池存储系统的能源套利通过转移需求和提高电力生产系统的整体利用率来支持可再生能源融入电网。在本文中，我们提出了一种用于日前市场能源套利的混合整数线性规划模型，该模型考虑了希望从其存储资产中获得额外收入来源的资产所有者的运营和可用性约束。该方法以最佳方式安排与最有利可图的交易策略相关的充电和放电操作，并使用包括德国、法国、意大利、丹麦和西班牙在内的多个欧洲国家的电价，在一年的时间范围内实现了最高可获得利润的 80% 至 90%。
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。
基于分布式强化学习的不平衡解决机制中的能源套利策略
可再生能源渗透率的增长使供应变得更加不确定，并导致系统不平衡加剧。这种趋势与单一不平衡定价相结合，为平衡责任方 (BRP) 在不平衡解决机制中进行能源套利提供了机会。为此，我们提出了一种基于分布式强化学习的电池控制框架。我们提出的控制框架采取了风险敏感的视角，允许 BRP 调整其风险偏好：我们的目标是优化套利利润和风险度量（本研究中的风险价值）的加权和，同时限制电池的每日循环次数。我们使用 2022 年比利时的不平衡价格评估我们提出的控制框架的性能，并比较两种最先进的 RL 方法，即深度 Q 学习和软演员-评论家 (SAC)。结果表明，分布式软演员-评论家方法优于其他方法。此外，我们注意到，只有当代理对价格更确定时，我们的完全规避风险的代理才会适当地学会通过对电池进行（放电）充电来对冲与未知不平衡价格相关的风险。
利用深度强化学习实现日前电力市场的储能套利
摘要 — 可再生和分布式能源资源的大规模整合增加了能源价值链各个层面对灵活性的需求。储能系统被视为灵活性的主要来源。它们有助于维持安全可靠的电网运行。问题是这些技术是资本密集型的，因此需要新的算法来实现套利，同时确保财务可行性。为此，在本研究中，我们开发了一种基于约束深度 Q 学习的竞价算法，以确定日前电力市场中的最佳竞价策略。所提出的算法确保符合储能系统约束。它将不完善但相当准确的 24 小时前价格预测数据作为输入，并返回最佳竞价策略作为输出。数值结果和敏感性分析表明，所提出的算法有效地包含了价格预测不确定性的影响，以保证财务可行性。索引术语 — 储能、能源套利、深度强化学习、深度 Q 网络、日前电力市场。
高频交易[算法的实用指南...
定向流动性提供；结论第11章：不对称信息的市场微观量贸易；基于信息的交易模型；结论;第12章：事件套利；制定事件套利交易策略；什么构成事件？;预测方法；可交易新闻；适用事件套利；结论;第13章：高频设置中的统计套利；数学基础；统计套利的实际应用；结论;第14章：创建和管理高频策略的投资组合；
随机优势约束下的电池储能套利：一种新的基准选择方法
摘要 —本文介绍了锂离子电池存储系统 (BSS) 在日前和日内 (DA+INT) 连续市场中的能源套利策略，并考虑了其周期老化成本 (CAC)。BSS 在此类问题中的关键问题之一是如何应对两个市场价格不确定的风险。为此，使用一种金融风险管理方法，即二阶随机优势约束 (SOSDC) 来控制不确定市场价格的风险。尽管 SOSDC 在广泛的决策问题上表现出色，但决策者利用这种方法面临的主要挑战是选择最低利润阈值。为了有效地克服这一障碍，本文提出了一种基于模糊决策方式的新型基准选择方法，用于样本内和样本外分析。考虑样本内和样本外研究背后的想法在于通过在 SOSDC 中设置各种基准来对结果进行不可预见的变化。在这方面，为了精确地表述这个问题，并着眼于电池CAC，建议采用线性两阶段随机框架。数值结果表明，所开发的方法在SOSDC基准选择中适用。