Calibrated uncertainty quantification for prosumer flexibility aggregation in ancillary service markets
Dieses Paper schlägt ein skalierbares Framework zur Unsicherheitsquantifizierung vor, das Monte Carlo Dropout mit Conformal Prediction integriert, um kalibrierte, endlich-stichprobenbasierte Vorhersageintervalle für aggregierte Prosumer-Flexibilität zu generieren, was es Demand-Response-Aggregatoren ermöglicht, strenge regulatorische Standards wie P90 zuverlässig zu erfüllen und gleichzeitig die Risiken der Überbietung signifikant zu reduzieren sowie bis zu 70 % der Gewinne bei perfekter Information in Regelleistungsmärkten zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind der Kapitän einer Flotte kleiner, unabhängiger Boote (dies sind Prosumer – Menschen, die sowohl Strom verbrauchen als auch erzeugen, wie etwa Haushalte mit Solarmodulen und Batterien). Ihre Aufgabe ist es, einem riesigen Schifffahrtsunternehmen (dem Energiemarkt) das Versprechen zu verkaufen, bei einem Sturm zusätzliche Energie liefern zu können.
Das Problem? Sie können nicht exakt vorhersagen, wie viel Energie Ihre Flotte morgen zur Verfügung haben wird. Die Sonne könnte bewölkt sein, die Batterien könnten halb leer sein oder die Hausbesitzer könnten sich entscheiden, stattdessen ihre Elektroautos aufzuladen. Wenn Sie zu viel Energie versprechen und Ihre Flotte dies nicht liefern kann, werden Sie schwer bestraft. Wenn Sie zu wenig versprechen, verlieren Sie Geld.
In dieser Arbeit geht es darum, eine superintelligente Wettervorhersage für die verfügbare Energie Ihrer Flotte zu entwickeln, die nicht nur eine einzelne Zahl rät, sondern Ihnen eine sichere, zuverlässige Sicherheitszone bietet.
Hier ist die Aufschlüsselung, wie sie es gelöst haben:
1. Das Problem: Das „Ratespiel“ ist gefährlich
Traditionell nutzen Aggregatoren (die Kapitäne) Computermodelle, um zu schätzen, wie viel Energie sie verkaufen können.
- Der alte Weg: Sie verwendeten Modelle, die eine einzige „beste Schätzung“ lieferten. Es war so, als würde man sagen: „Wir werden definitiv 100 kW Leistung haben.“ Aber aufgrund der Unsicherheit (Wolken, menschliches Verhalten) war diese Schätzung oft falsch. Man versprach zu viel, konnte nicht liefern und wurde bestraft.
- Das Risiko: Der Energiemarkt hat eine strenge Regel namens P90. Das bedeutet, dass Sie in der Lage sein müssen, die versprochene Energie in 90 % der Fälle zu liefern. Wenn Sie öfter als in 10 % der Fälle scheitern, sind Sie in Schwierigkeiten.
2. Die Lösung: Ein „Doppelcheck“-System
Die Autoren entwickelten eine neue Methode, die zwei leistungsstarke Werkzeuge kombiniert, um eine „Sicherheitszone“ (einen Bereich von Zahlen) anstelle einer einzelnen Schätzung zu erstellen.
Werkzeug A: Monte Carlo Dropout (MCD) – Die „Imaginations-Maschine“
Stellen Sie sich vor, Sie fragen eine Gruppe von Experten nach dem Wetter, aber jedes Mal, wenn sie sprechen, vergessen sie zufällig ein paar Fakten. Wenn Sie sie 1.000 Mal mit unterschiedlichem zufälligem „Vergessen“ nach der Vorhersage fragen, erhalten Sie eine große Vielfalt an möglichen Ergebnissen. Dies hilft dem Computer zu verstehen, was er nicht weiß (Unsicherheit).- Der Makel: Obwohl dies viele Möglichkeiten schafft, ist die „Sicherheitszone“ des Computers oft zu optimistisch. Er denkt, er sei sicherer, als er tatsächlich ist, was zum alten Problem des Überversprechens führt.
Werkzeug B: Conformal Prediction (CP) – Der „Realitätscheck“
Dies ist wie ein strenger Schiedsrichter. Nachdem die „Imaginations-Maschine“ ihre Schätzungen abgegeben hat, prüft der Schiedsrichter die vergangenen Daten, um zu sagen: „Okay, um zu 90 % sicher zu sein, dass du nicht scheiterst, musst du deine Sicherheitszone um diesen Betrag verkleinern.“ Er zwingt die Vorhersage dazu, konservativ genug zu sein, um die P90-Regel zu erfüllen.Das Hybrid-Modell (MCD + CP):
Die Arbeit kombiniert diese beiden. Die „Imaginations-Maschine“ generiert die Möglichkeiten, und der „Realitätscheck“ zieht die Sicherheitszone so weit zusammen, bis sie mathematisch garantiert zu 90 % zuverlässig ist.
3. Der Test: Der dänische Markt
Die Forscher testeten dies in einem realen Szenario in Dänemark unter Verwendung von Daten aus einem hochentwickelten Hausenergiesystem (HEMS), das tausende virtuelle Haushalte mit Solarmodulen und Batterien steuert.
Sie verglichen ihr neues „Doppelcheck“-System mit den alten „Beste-Schätzung“-Methoden.
Die Ergebnisse:
- Die alten Methoden: Sie waren wie Glücksspieler. Sie versprachen enorme Mengen an Energie und verdienten auf dem Papier viel Geld, aber wenn der Markt tatsächlich kontrollierte, lieferten sie oft nicht. Sie verstießen gegen die P90-Regel und wären bestraft oder sogar gesperrt worden.
- Die neue Methode: Sie war vorsichtiger. Sie versprach weniger Energie als die Glücksspieler, aber sie verstieß nie gegen die Regeln.
- Sie erfüllte erfolgreich die 90 %-Zuverlässigkeitsanforderung.
- Sie erwirtschaftete dennoch Gewinn – etwa 70 % des Gewinns einer „perfekten Welt“ (des Gewinns, den man erzielen würde, wenn man die Zukunft perfekt kennen würde).
- Sie eliminierte das Risiko, wegen Überversprechens bestraft zu werden.
4. Die überraschende Entdeckung: „Warum mehr bezahlen?“
Die Studie untersuchte auch, wie viel Geld der Aggregator den Hausbesitzern (Prosumern) zahlen muss, um sie dazu zu bewegen, Energie zu verkaufen.
- Sie fanden heraus, dass Hausbesitzer bereit sind, fast die gesamte verfügbare Energie selbst für eine sehr geringe Zahlung zu verkaufen.
- Da das Angebot an Energie sehr „unelastisch“ ist (es ändert sich kaum, selbst wenn man mehr zahlt), macht der Aggregator den meisten Gewinn, indem er die Zahlung an die Hausbesitzer niedrig hält.
- Der Haken: Dies deutet darauf hin, dass die Hausbesitzer unter den aktuellen Marktregeln möglicherweise nicht sehr motiviert sind, aktiv teilzunehmen, da das zusätzliche Geld, das sie erhalten, gering ist. Die Arbeit legt nahe, dass sich vielleicht die Regeln ändern müssen, um mehr Menschen zur Teilnahme zu ermutigen.
Zusammenfassung
Betrachten Sie diese Arbeit als einen Leitfaden für einen Kapitän, der eine Schifffahrtsdienstleistung verkaufen möchte, ohne wegen verspäteter Lieferungen bestraft zu werden.
- Alter Ansatz: „Ich verspreche, da zu sein!“ (Scheitert oft, führt zu Strafen).
- Neuer Ansatz: „Ich verspreche, da zu sein, und ich habe eine Sicherheitsmarge, die garantiert, dass ich in 9 von 10 Fällen da bin, selbst wenn das Wetter extrem ist.“
- Ergebnis: Man verdient etwas weniger Geld als im Szenario der „perfekten Schätzung“, aber man behält seine Lizenz zum Betrieb und vermeidet die Strafen. Es ist ein praktischer, sicherer und profitabler Weg, um mit Unsicherheit umzugehen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.