XiaoMi-AI文件搜索系统
World File Search Systemtrage
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）
莫里亚蒂，埃丝特·玛丽亚 (2010) 大饥荒 - 1845-1861 年爱尔兰悲剧及其对英国小镇哈德斯菲尔德的影响。博士论文，
存在是哈德斯菲尔德。虽然与伦敦相比，利物浦是一个相对较小的城镇，但 1 Michael G. Mulhall，《统计词典》（伦敦，George Routledge & Sons，1909 年），第 247 页。2 E. P. Thompson，《英国工人阶级的形成》（伦敦，企鹅图书，1991 年），第 469 页。2 E. P. Thompson，《英国工人阶级的形成》（伦敦，企鹅图书，1991 年），第 469 页。3 Roger Swift 和 Sheridan Gilley，《维多利亚城市的爱尔兰人》（伦敦，Croom Helm，1985 年），第1.4 Alan O'Day，“1846 - 1922 年英国反爱尔兰行为的多样性”，Pankos Panayi，《19 世纪和 20 世纪英国的种族暴力》（莱斯特，莱斯特大学出版社，1996 年），第 27 页。5 Thompson，《英国工人阶级的形成》，第 469 页。
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。
使用套利价差
摘要：电池运营商的重要收入来源通常是在拍卖行中仲裁每小时价格的利差。如果风险是考虑因素，则最佳方法是具有挑战性的，因为这需要估计密度函数。由于每小时价格不正常，也不是独立的，因此从单独估计的价格密度的差异产生差异通常是棘手的。因此，对所有日内每小时扩散的预测被直接指定为含有密度的上三角基质。该模型是一种灵活的四参数分布，用于产生动态参数估计，以外源性因素为条件，最重要的是风，太阳能和天上的需求预测。这些预测支持每天在单个和多个周期运行的存储设施的最佳日程安排。本文认为，优化的利用差价是创新的，而不是每小时的价格，这在降低风险方面更具吸引力。与传统的每日高峰和低谷交易的方法相反，根据天气预报的不同，发现多个交易是促销和机会主义的。
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。
大型电池存储，短期市场成果和套利∗
在发电部门的投资组合组合中，可再生能源的份额扩大了大规模电池存储设施的开发和整合。我们记录了加利福尼亚市场中的充电和排放方式，并显示电池活动与负载和实时价格的相关性。我们进一步提出了一种仪器可变策略，以估计价格对电池排放的短期影响。经验发现与套利最大化器的最佳解决方案一致，表明电池所有者对价格激励措施做出了响应。此外，我们提供的证据表明，2018年和2019年的电池部署使加利福尼亚州的平均批发平衡价格降低了约0.8％，从而影响了电池投资的私人收益。
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。
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。