面向能源市场的深度学习

深度学习被应用于能源市场，以预测能源电网中观测到的极端负荷。由于日内系统约束引起的供需波动会产生急剧的峰值与谷值，能源负荷与价格的预测具有挑战性。我们提出深度时空模型与极值理论（EVT）来捕捉这些效应，尤其是负荷尖峰的尾部行为。具有 ReLU 和 $\tanh$ 激活函数的深度 LSTM 架构可以建模趋势与时间依赖性，而 EVT 捕捉高于预设阈值的高度波动的负荷尖峰。为说明我们的方法，我们使用来自 PJM 互联电网 4719 个节点的小时级价格与需求数据，并构建了一个深度预测器。我们表明，通过捕捉价格中观测到的非线性，DL-EVT 在样本内与样本外均优于传统的傅里叶时间序列方法。最后，我们给出了未来研究的方向。