XiaoMi-AI文件搜索系统
World File Search System套利
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。
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。
电池储能系统的能源套利与快速频率响应之间的协同作用 E. Pusceddu 1、Behnam Zakeri 2,3,4、G. Castagneto
储能系统可通过提供各种能源系统服务，为未来平衡低碳能源系统做出重要贡献，随着创新成本下降，电池有望得到广泛部署。本文评估了如果使用电池储能系统 (BESS) 提供这两种服务，其中最重要的两项服务，快速响应或所谓的增强频率响应 (EFR) 和能源套利之间是否存在协同作用。开发了一个技术经济模型来模拟 600 个可能的增强频率响应可用性窗口。结果表明，两种存储服务之间存在两种不同的协同作用。第一个协同作用考虑了在死区之外对储能系统充电以提供增强频率响应的可能性。我们提出了一种创新的充电状态管理策略来利用这种协同作用。第二个协同作用是由于套利收入高度集中在高峰时段，这可以使电池储能系统捕获大部分套利收入，而不会过度减少存储系统在增强频率响应中提供容量的收入。这两种协同效应的结合意味着，通过交替提供套利和频率响应，电池储能系统可以提高 25% 的运营利润。历史数据显示，这一结果在统计上是可靠的。满功率下放电时间为 1.5-2 小时的电池尺寸可能是利用这些协同效应的最佳选择。
股息套利交易计划行动计划（“Cum-Ex ...”
3. EBA 向根据国家法律指定负责 EBA 职权范围内的金融机构反洗钱监管的机构提交了一项调查。该调查旨在了解股息套利交易计划（例如 cum-ex 和 cum-cum 计划）是否被视为税务犯罪，以及处理此类计划的收益是否构成洗钱，符合指令 (EU) 2015/849 (AMLD4)。它还试图确定监管机构如何评估与这些计划相关的 ML/TF 风险，并获取有关监管机构为应对这些风险而采取的行动的信息。EBA 向审慎监管机构进行了第二项调查，以了解金融机构参与此类计划如何遵守审慎框架，特别是指令 2013/36/EU (CRDIV) 中有关机构治理安排的规定。