XiaoMi-AI文件搜索系统
World File Search Systemarbitrage
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。
强化学习在能源存储套利中的应用
电力系统脱碳需要将可再生能源引入能源供应结构。然而，供应结构中的间歇性能源使平衡能源供需更具挑战性。当可再生能源产生的能源超过需求时，储能系统可以储存能源，当发电量不足时提供能源，从而平衡供需。然而，在操作电池时不考虑退化会大大缩短电池的使用寿命并增加与退化相关的成本。现有的优化技术在确定最佳电池操作策略时会考虑退化，这既需要大量计算又耗时。强化学习等机器学习技术可以开发出以毫秒为单位计算行动策略并考虑复杂系统动态的模型。在本文中，我们考虑了电池操作的能源套利问题。我们探索使用强化学习来确定考虑退化的套利策略。我们将强化学习学到的策略与由高级混合整数线性规划 (MILP) 模型确定的 NYISO 2013 日前电价数据的最佳策略进行了比较。我们表明，考虑到强化学习，学习到的策略与 MILP 确定的退化策略的行为相当。然后，我们介绍了一个案例研究，该案例研究使用强化学习来确定 PJM 2019 实时电价数据的套利策略，我们发现在能源套利的情况下，使用强化学习进行实时电池操作是有前景的。
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。
确定能源套利所需的能源存储系统规模……
摘要 —本文提出了一个非线性规划 (NLP) 模型，以优化储能系统 (ESS) 的规模，并获得电动汽车 (EV) 超快速充电站 (XFCS) 能源套利的最佳能源管理，同时最小化 XFCS 运营和 ESS 投资的总成本。与大多数关于电动汽车充电站 ESS 规模的报道不同，本文提出了一种实用的方法来模拟 ESS 寿命衰减并准确计算 ESS 循环次数。此外，这项工作将峰值需求费用纳入充电站运营成本中，而这在文献中经常被忽视。所提出的模型是使用 AIMMS 来制定和求解的。最后，进行了彻底的敏感性分析，以深入了解不同输入参数如何影响能源套利角度的 ESS 规模和节省。
套利与快速频率响应之间的协同作用......
4 包络线是电力系统调节中使用的一个概念，表示为电池充电状态管理提供灵活性的领域。EFR 定义了“宽”和“窄”包络线，每个包络线都与一个单独的产品相关，该产品由 a) 死区和 b) 允许的 9% 的电池标称容量进行充电或放电操作定义。
税率套利实现长期收益以实现……
1 Constantinides 1983 使用期权理论框架量化税收管理投资中时机损失和收益实现的价值。Wilcox、Horvitz 和 diBartolomeo 2006 对税收管理投资进行了更近期、更全面的阐述。Geddes、Goldberg 和 Bianchi (2015) 说明了指数化损失收获投资组合作为定期产生资本收益的资产配置的一部分的价值。2 Jeffrey 和 Arnott 1993；Arnott、Berkin 和 Ye 2000；以及 Arnott、Berkin 和 Bouchey 2011 证明了税收管理对应税投资者股票投资组合的重要性。Berkin 和 Ye 2003 使用蒙特卡罗模拟量化最高进先出 (HIFO) 会计的收益，以及在股票特定风险相对较高、平均回报率较低和股息收益率较高的市场中损失收获的增量收益。 Berkin 和 Luck 2010 使用蒙特卡罗模拟来展示税收管理在扩展股票策略中的好处。Bergstresser 和 Pontiff 2013 使用实证数据记录了税收对投资组合价值、增长和规模的影响，并表明税收加剧了股票溢价之谜。Israel 和 Moskowitz 2012 探讨了税收管理对规模、价值、增长和动量的影响。Geddes 2011 和 Geddes 和 Tymoczko 2019 使用蒙特卡罗模拟来展示单独管理账户中的损失收割相对于持有交易所交易基金 (ETF) 的税后收益。Sialm 和 Sosner 2018 量化了税收管理的 130-30 和多空市场中性策略的税后回报。 Santodomingo、Nemtchinov 和 Li (2016) 和 Goldberg、Hand 和 Cai (2019a) 使用历史回溯测试研究了流行因子倾向的税后回报和风险状况。Goldberg、Hand 和 Cai (2019b) 描述了指数跟踪和无碳策略的类似概况。3 Constantinides (1984)；Dammon、Dunn 和 Spatt (1989)；以及 Stein、Vadlamudi 和 Bouchey (2008) 使用蒙特卡洛模拟来评估税率套利策略。
多因素模型和套利定价理论（APT）
A 100 25.00 29.58 1.00 -0.15 -0.29 0.68 B 100 20.00 33.91 -0.15 1.00 -0.87 -0.38 C 100 32.50 48.15 -0.29 -0.87 1.00 0.22 D 100 22.25 8.58 0.68 -0.38 0.22 1.00
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。
通过点对点能源交易实现可再生能源微电网的套利策略
摘要 — 本文提出了一种针对可再生能源微电网 (MG) 的套利策略，以克服光伏和风能等可再生能源 (RES) 在日前市场 (DAM) 和实时市场 (RTM) 之间建立的交易能源市场 (TEM) 中的点对点 (P2P) 能源交易这一新兴商业领域中的不稳定行为。为了识别由 P2P 和实时交易之间的价格差异产生的套利机会，提出了一种具有区间系数的双层风险约束随机规划 (BRSPIC)。在决策的第一阶段，采用各种方案来处理 DAM 价格的不确定性。在第二阶段，P2P 能源交易竞争由基于非合作领导者-追随者博弈的双层规划建模。在较低层次上最大化同行的社会福利的同时，MG 在较高层次上最大化其利润。为了更加贴近实时，第三阶段考虑了区间系数，以应对 RES 和负载以及 RTM 价格的不确定性。条件风险价值 (CVaR) 被强制应用于模型，以控制利润波动的风险。通过使用 Karush-Kuhn-Tucker (KKT)，BRSPIC 被转换为单级优化。然后，将其线性化并通过混合整数线性规划 (MILP) 求解器进行求解。通过在测试系统上评估所提出的模型，很明显，通过套利策略，MG 的利润增加了 3.1% 以上。通过考虑 CVaR，完全规避风险的决策会使 MG 的利润减少 27%，尽管这是一个非常保守的决策。