عوامل تعیین کننده نوسانات قیمت در بازار برق: مطالعه با مدل های PCA و NARDL

ساخت وبلاگ

نمایش فرمول:؟فرمول های ریاضی به عنوان MATHML رمزگذاری شده اند و در این نسخه HTML با استفاده از MathJax به منظور بهبود نمایشگر خود نمایش داده می شوند. جعبه را برای خاموش کردن MathJax از آن جدا کنید. این ویژگی به JavaScript نیاز دارد. برای بزرگنمایی روی فرمول کلیک کنید.

در بازارهای مدرن برق ، قیمت های منفی و قیمت سنبله به عنوان یک جفت پدیده های اقتصادی مخالف همزیستی است. این مطالعه به بررسی چگونگی بازی این قیمت های شدید به عنوان تعیین کننده برای ایجاد نوسانات قیمت در بازار برق می پردازد. ما یک تجزیه و تحلیل دو مرحله ای شامل یک تجزیه و تحلیل مؤلفه اصلی (PCA) و یک مدل تاخیر توزیع شده غیر خطی (NARDL) می سازیم. ما این روش تحلیلی را در بازار عمده فروشی پنسیلوانیا ، نیوجرسی و مریلند (PJM) به کار می بریم. ما می دانیم که با توجه به PCA ، در خطوط انتقال فردی ، قیمت های سنبله تعیین کننده هایی با بیشترین قدرت توضیحی در تغییر قیمت ها هستند ، در حالیبازار زمان واقعی و بازار رو به جلو. این نتایج با ارزش و کمک کننده برای مدیران و اپراتورها در بازارهای برق برای تصمیم گیری در مورد سیاست است.

1. معرفی

روند اصلاح سیستم برق مدرن در همه کشورهای اصلی جهان با محوریت بازار است. سیستم برق مدرن دیگر فقط یک شبکه انتقال الکتریکی نیست. این یک سبک عمده فروشی در بازار انرژی با عملکردهای چندگانه جدید بوده است. علاوه بر تولید و انتقال انرژی ، بازار برق نیز وظیفه تأمین تأمین اعتبار برق ، مدیریت قیمت انرژی و در نتیجه بهبود کارایی بازار را بر عهده دارد.

بازاریابی سیستم برق پدیده های بازار بیشتری را به ارمغان می آورد. سازمان انتقال اصلی به یک بازار عمده فروشی تبدیل شده است که در آن قیمت عمده فروشی برق بین ژنراتورها و تقاضای آن مطابقت دارد. مانند بازارهای مالی ، بازار برق قیمت برق را نشان می دهد تا تقاضای و عرضه انرژی را منعکس کند. همراه با توسعه بازسازی عمده بازار برق و اتخاذ مکانیسم های حراج ، مانند بازارهای مالی ، نوسانات زیادی از قیمت برق به طور مکرر مشاهده می شود. رشد نوسانات قیمت در بازارهای برق مورد توجه آکادمی ها قرار می گیرد و این "نوسانات قیمت شدید" به عنوان یک ویژگی نمادین بازارهای برق تلقی شده است (Engle & Patton ، 2001 ؛ Hadsell ، Marathe ، & Shawky ، 2004 ؛ Knittel & Roberts، 2005 ؛ Xiao ، Colwell ، & Bhar ، 2015 ؛ Zareipour ، Bhattacharya ، & Cañizares ، 2007).

مطالعات قبلی در مورد نوسانات قیمت به طور کلی بر شیوع قیمت های سنبله ، یعنی قیمت های بسیار بالایی متمرکز است (کارلتون ، 1977 ؛ خدمه و کلیندورفر ، 1976 ؛ هادسل و شاوکی ، 2006 ؛ Joskow & Wolfram ، 2012 ؛ Nguyen ، 1976 ؛ Speesees& Lave ، 2008 ؛ Wenders ، 1976). قیمت سنبله برای تقاضای اضافی هزینه های حاشیه ای بالایی ایجاد می کند و در نتیجه عدم اطمینان قیمت را در سناریوهای بار اوج بزرگ می کند. بنابراین ، قیمت سنبله معمولاً به عنوان علت نوسانات قیمت در نظر گرفته می شود.

اما اخیراً ، تعداد فزاینده ای از قیمت های منفی در بازار برق به عنوان نوع دیگری از قیمت های شدید ظاهر می شود ، که به سرعت به یک ویژگی متمایز بازار برق تبدیل می شود. بروز قیمت گذاری منفی به این دلیل بوجود می آید که انواع خاصی از ژنراتورها (به عنوان مثال ، هسته ای ، هیدروالکتریک و انرژی باد) به تقاضای خود می پردازند تا به جای کاهش تولید خود به دلیل عوامل فنی و اقتصادی ، قدرت را به دست آورند ، حتی اگر تقاضا برای جذب خروجی آنها کافی نباشد (ایالات متحده. مدیریت اطلاعات انرژی ، 2012a ، 2012b). به عنوان وضعیت مخالف قیمت سنبله ، قیمت های منفی بیانگر تأمین بیش از حد انرژی الکتریکی است که سیگنال خوبی برای تعادل بازار نیست (Baradar & Hesamzadeh ، 2014 ؛ Barbour ، 2014 ؛ Genoese ، Genoese ، & Wietschel ، 2010 ؛ Sioshansi، دنولم ، جنکین ، و ویس ، 2009 ؛ ژو و همکاران 2016).

اگرچه بسیاری از مطالعات قبلی نشان می دهد که نوسانات قیمت در بازار برق به عنوان یک هدف تحقیق مهم است ، با این حال ، بیشتر مطالعات فقط روی یک نوع از قیمت های شدید تمرکز می کنند. براساس اقتصاد ، قیمت منفی و قیمت سنبله یک جفت پدیده مخالف است. قیمت منفی حاکی از تأمین بیش از حد است در حالی که قیمت سنبله دلالت بر تقاضای بیش از حد دارد. هر دو نوع قیمت شدید تشکیل دهنده نوسانات قیمت هستند. بنابراین ، لازم است که درک کنیم که چگونه نوسان قیمت بزرگ تشکیل می شود ، که رفتار قیمت عامل اصلی نوسان شدید قیمت است و اینکه چگونه نوسان قیمت بر بازار برق تأثیر می گذارد.

این مطالعه هر دو قیمت سنبله و منفی را در بازار عمده فروشی برق مشاهده می کند و به بررسی چگونگی کمک به نوسانات قیمت بازار می پردازد. هدف از این مطالعه مهم است ، زیرا ارزیابی دو قیمت متضاد و پدیده های اقتصادی در پشت آنها می تواند به مدیران و اپراتورهای بازارهای برق کمک کند تا از وضعیت بازار بهتر آگاهی داشته باشند و بنابراین به آنها اجازه می دهند تا تصمیم صحیح و معقولی را برای ثبات بازار بگیرند.

این مطالعه به بررسی نوسان قیمت در یک محیط خط انتقال چند منطقه و چندگانه می پردازد. مطالعات موجود در مورد نوسانات قیمت معمولاً با یک سری داده ها روی یک منطقه واحد متمرکز است (Hadsell et al. ، 2004 ؛ Hadsell & Shawky ، 2006 ؛ Holland & Mansur ، 2006). با این حال ، از آنجا که بازارهای برق در دهه گذشته بازسازی شده است ، بازار مدرن برق معمولاً شامل تعداد زیادی از خطوط انتقال در مناطق جغرافیایی متنوع است. پس از اصلاحات در بازار ، بازار برق عمده فروشی پنسیلوانیا ، نیوجرسی و مریلند (PJM) را به عنوان هدف تحقیق خود انتخاب می کنیم. بازار PJM قدیمی ترین سیستم انتقال برق و دومین بازار بزرگ برق در جهان است. این هماهنگی حرکت قدرت در 13 ایالت و منطقه کلمبیا ، از جمله بیش از 240،000 مایل مربع از قلمرو ، 84،000 مایل خط انتقال و 65 میلیون نفر است. این شامل بیش از 11000 خط انتقال با قیمت برق به روز شده ساعتی است. یافته های بازار PJM می تواند درس و تجربیات ارزشمندی را برای سایر بازارهای برق فراهم کند.

این مطالعه با الهام از مجموعه ای از ادبیات اخیر ، یک روش تحقیق دو مرحله ای را طراحی می کند. اول ، زیر (Baek ، Cursio ، & Cha ، 2015 ؛ Chakrabarty & Tyurin ، 2011 ؛ Li ، Cursio ، & Sun ، 2018) ما یک مدل تجزیه و تحلیل مؤلفه اصلی (PCA) را برای کشف قیمت های منفی و سنبله در هر خط انتقال فردی می سازیماز بازار PJM ، و ببینید که چگونه دو نوع قیمت بر نوسان قیمت از بعد خطوط انتقال فردی تأثیر می گذارد. این تجزیه و تحلیل سطح خرد می تواند بینش نهفته را برای مدیران و اپراتورهای بازارهای برق به ارمغان بیاورد. دوم ، ما مدل تاخیر توزیع شده غیرخطی (NARDL) را ساختیم و از آن برای ارزیابی تعیین کننده نوسان قیمت از زاویه بازار کلی برق استفاده می کنیم. نتایج حاصل از مدل NARDL می تواند نظارت بر بازار را روشن کند و به اپراتورهای بازار کمک کند تا در مورد سیاست گذاری و تنظیم مقررات تصمیم گیری کنند.

از طریق نتایج PCA شش مؤلفه را انتخاب می کنیم و پیامدهای آنها مربوط به متغیرها را تفسیر می کنیم. ما می دانیم که مؤلفه هایی با بیشترین قدرت توضیحی در تغییر قیمت ها بسیار مربوط به LMP های سنبله و موقعیت و میزان غلظت LMP های کلی هستند. بنابراین ، در ابعاد خطوط انتقال فردی ، بیش از حد تقاضا با فرکانس بالا وجود دارد. متفاوت از PCA ، نتایج مدل NARDL نشان می دهد که قیمت های منفی تأثیر بالقوه بیشتری در بازار زمان واقعی و بازار رو به جلو دارند. به عنوان یک دلالت ، این یافته سهم مکانیسم های تشویقی انرژی تجدید پذیر را تأیید می کند و معتقد است که انرژی تجدید پذیر تقاضای انرژی را برآورده می کند و به تعادل تعادل انرژی در آینده کمک می کند.

مابقی این مقاله به ترتیبی که در ادامه میآید ارائه میگردد. بخش 2 ادبیات و روش تحقیق قبلی را معرفی می کند. بخش 3 بازار PJM ، داده ها و متغیرها را شرح می دهد. بخش 4 نتایج مدل ها و پیامدهای PCA و NARDL را ارائه می دهد. بخش 5 نتیجه می گیرد.

2. بررسی ادبیات و روشها

2. 1بررسی ادبیات

به عنوان یک نوع خاص از انرژی ، برق را نمی توان در مقادیر زیادی ذخیره کرد. بنابراین ، بازار برق به عنوان دشوارترین بازار برای تعادل بین عرضه و تقاضا مشاهده می شود. به عنوان مثال ، او و ویکتور (2017) سیستم برق را در چین مطالعه می کنند پس از آنکه دولت چین در سال 2015 دسترسی به برق به کل جمعیت خود را فراهم کرد. آنها درس و تجربیات مربوط به تأمین برق در این کشورهای بزرگ نوظهور را خلاصه می کنند و می دانند که تعادل برق استدستیابی به آن خیلی سخت است. یانگ (2017) همچنین سیستم برق چینی را به عنوان هدف در نظر می گیرد و خاطرنشان می کند که تعادل و کارآیی قدرت حتی پس از نصب زیرساخت های اندازه گیری پیشرفته حاصل نمی شود. Li ، Cursio ، Jiang و Liang (2019) سیستم برق شبکه هوشمند ایالات متحده را مطالعه کنید و دریافتند که حرکت غیر طبیعی قیمت در بازار برق ، که به عنوان سیگنال نابرابری بین عرضه و تقاضا تلقی می شود ، مربوط به مسائل تقویم استاهمیت

بنابراین ، مطالعات قبلی به طور گسترده ای اذعان کرده اند که برای ژنراتورهای برق (به ویژه آنهایی که خروجی ناپایدار دارند) بسیار چالش برانگیز است که تقاضا را با مقدار ثابت عرضه انجام دهند. همانطور که توسط مطالعات موجود گفته شد (Bilitewski ، 2012 ؛ Frömmel ، Han ، & Kratochvil ، 2014 ؛ Yuan ، Bi ، & Moriguichi ، 2006) ، سطح قیمت پایدار سیگنال نابرابری بین منبع تغذیه و تقاضا است. کاهش در نوسانات قیمت ، دستیابی به کارآیی بازار و کارآیی منابع است. بنابراین ، بسیاری از مطالعات به نوسانات قیمت توجه می کنند و به کاهش آن از جنبه های روش ها و پدیده ها کمک می کنند.

بسیاری از مطالعات بر روی مقادیر شدید قیمت در بازار برق متمرکز شده و سعی می کنند روند و الگوهای آنها را کشف کنند. این مطالعات را می توان در دو گروه مرتب کرد. یک گروه از مطالعات بر روی سوابق قیمت بسیار بالا ، که معمولاً قیمت سنبله نامیده می شوند ، تمرکز می کنند. آنها نوسانات قیمت را به شیوع قیمت سنبله نسبت می دهند. به عنوان مثال ، Hadsell و Shawky (2006) بر قیمت های بالا در ساعات اوج تمرکز می کنند و ویژگی های نوسانات بازارهای برق اپراتور سیستم مستقل نیویورک (NYISO) را بررسی می کنند. آنها شواهدی پیدا می کنند که وقوع قیمت سنبله و نوسانات قیمت بازار را پیوند می دهد. Joskow and Wolfram (2012) ، Dutta and Mitra (2017) پیشرفت قیمت گذاری سنبله را در بازار برق معرفی می کنند و در مورد فن آوری های نامزد بحث می کنند که می تواند قیمت گذاری سنبله را کاهش دهد و در نتیجه کنترل افزایش قیمت برق با زمان متغیر باشد.

گروه دیگری از مطالعات بر قیمت گذاری منفی متمرکز است ، که این پدیده متمایز در بازار برق غیر از سایر بازارهای مالی است. بروز قیمت گذاری منفی به این دلیل بوجود می آید که انواع خاصی از ژنراتورها (به عنوان مثال ، هسته ای ، هیدروالکتریک و انرژی باد) به تقاضای خود می پردازند تا به جای کاهش تولید خود به دلیل عوامل فنی و اقتصادی ، قدرت را به دست آورند ، حتی اگر تقاضا برای جذب خروجی آنها کافی نباشد (ایالات متحده. مدیریت اطلاعات انرژی ، 2012a ، 2012b). Genoese و همکاران.(2010) دریافت که قیمت گذاری منفی روند فزاینده ای و توزیع نامتعادل در بازارهای آلمان دارد و نوسانات قیمت را افزایش می دهد. باربور ، (2014) اظهار داشت که قیمت گذاری منفی عامل اصلی راندمان انرژی است و به طور مستقیم بر توسعه فن آوری های مربوطه مانند ذخیره انرژی تأثیر می گذارد. بنابراین ، مانند قیمت های سنبله ، قیمت های منفی نیز عوامل مهمی در تغییر قیمت در بازار برق است.

برخی از مطالعات موجود نشان می دهد که بازار برق توسط عوامل خاص با قدرت غالب هدایت می شود. به عنوان مثال ، Simanaviciene ، Virgilijus و Simanavicius (2017) به منظور شناسایی و ردیابی رفتار مصرف انرژی فرد ، عوامل روانشناختی و تأثیرات آنها بر بهره وری انرژی در خانوارها را بررسی می کنند. بنابراین ، ما با استفاده از روشهای مرتبط با فاکتور ، عوامل مؤثر در تأثیرگذاری بر قیمت بازار برق را بررسی می کنیم. یکی از روش های کاندیدای NARDL است که در آن غیرخطی ها از طریق تجزیه جزئی جزئی مثبت و منفی متغیرهای توضیحی معرفی می شوند (شین ، یو ، و گرین وود-نیمو ، 2013). تعدادی از مطالعات نشان می دهد که NARDL ابزاری ایده آل برای بررسی روابط قیمت است (ابراهیم ، 2015 ؛ جامازی ، لاهیانی ، و نگوین ، 2015 ؛ نوصیر ، 2017 ؛ شین و همکاران ، 2013). به عنوان مثال ، ابراهیم (2015) با استفاده از یک مدل ARDL غیرخطی ، روابط بین قیمت مواد غذایی و روغن مالزی را بررسی می کند. جامازی و همکاران.(2015) از NARDL مبتنی بر موجک برای بررسی نوسانات نرخ ارز و تأثیر آن بر قیمت نفت خام استفاده کنید.

روش دیگر PCA است که به عنوان یکی از تکنیک های پرکاربرد در استنتاج آماری چند متغیره در نظر گرفته می شود. مطالعات اخیر مزایای PCA را به سه جنبه خلاصه می کند: (1) PCA ابعاد مشکلات آماری چند متغیره را کاهش می دهد و تعدادی از متغیرها را جایگزین تعداد کمتری از رایانه های شخصی می کند که به طور مؤثر بخش بزرگی از تغییر داده ها را خلاصه می کند (Baek etAl. ، 2015 ؛ Bai ، 2003 ؛ Bai & ng ، 2002 ؛ Stock & Watson ، 1998 ، 2002) ؛(2) PCA یک روش ارجح برای مطالعات با اندازه داده های بزرگ است (Aït-Sahalia & Xiu ، 2019 ؛ Cao & Huang ، 2007 ؛ Skiadopoulos ، Hodges ، & Clewlow ، 2000) ؛. در این مطالعه ، ما ساختار روش را در Li ، Cursio و Sun (2018) دنبال می کنیم و مدل PCA خود را می سازیم.

پس از مطالعات موجود ، در این مقاله قصد داریم قیمت های سنبله و منفی را بررسی کنیم. در مقایسه با مطالعات قبلی که فقط بر روی یک نوع از قیمت های شدید متمرکز است ، جدید است. از منظر اقتصاد ، قیمت های سنبله نشان دهنده تقاضای بیش از حد است در حالی که قیمت های منفی منعکس کننده عرضه هستند. مدیران و اپراتورهای بازارهای برق باید در مورد الگوهای و روند حرکت قیمت بازار بدانند و در نتیجه آماده سازی های مناسبی برای انواع مختلف موارد شدید دارند. علاوه بر این ، مطالعات موجود نشان می دهد که روشهای تحلیلی مرتبط با فاکتور ابزاری قدرتمند برای مطالعات با داده های بزرگ هستند. بنابراین ، به عنوان یک هدف تحقیق دیگر ، در این مقاله از روش های NARDL و PCA به عنوان ابزارهای مؤثر برای کشف نوسانات قیمت در بازار برق استفاده می کنیم. این مقاله پسوند مطالعه Previoius است (Li ، Cursio ، & Sun ، 2018).

2. 2چارچوب NARDL

در این مطالعه از رویکرد NARDL که توسط شین و همکاران پیشنهاد شده است استفاده می کنیم.(2013). مدل اساسی به شرح زیر است: (1) y t = ∑ j = 1 p ∅ j y t - j + ∑ j = 0 q θ j + ′ x t - j + + ∑ j = 0 q θ j - ′ x t - j - j -+ ε t (1)

در جایی که متغیر وابسته y t و طول تاخیر آن y t - 1 متغیر مقیاس باشد ، x t - j + و x t - j - متغیرهای مستقل تجزیه می شوند.

مدل NARDL برای داده های بزرگ مزایایی دارد زیرا بدون در نظر گرفتن اینکه متغیرهای اساسی از سفارش یک ، صفر یا ترکیبی از هر دو یکپارچه شده اند (Pesaran ، Shin ، & Smith 2001) یکپارچه شده است. به گفته شین و همکاران.(2013) ، جامازی و همکاران.(2015) و Nusair (2017) ، در مدل NARDL وجود یک رابطه بلند مدت در بین مجموعه ای از متغیرها بدون هیچ آگاهی قبلی در مورد ترتیب ادغام متغیرهای فردی قابل آزمایش است ، که از مشکلات مرتبط با ریشه های واحد جلوگیری می کندقبل از آزمایشعلاوه بر این ، هر دو متغیر وابسته و متغیرهای مستقل می توانند در مدل با تاخیر معرفی شوند ، که باعث می شود روش آزمایش از سایر روشها انعطاف پذیر تر شود.

2. 3چارچوب PCA

در این بخش به طور خلاصه مکانیسم ریاضی PCA را مرور می کنیم. تجزیه و تحلیل مؤلفه اصلی یکی از تکنیک های پرکاربرد در استنتاج آماری چند متغیره است. از منظر ریاضیات ، اگر مجموعه ای از متغیرها وجود داشته باشد ، PCA می تواند آنها را به همان تعداد متغیرهای جدید بدون هم مرتبط تبدیل کند. فرض کنید ما یک وکتور ستون از متغیرهای تصادفی n x = x 1 ، x 2 ،… ، x n t و میانگین بردار آن یک بردار صفر است (e [x] = 0). از آنجا که این متغیرهای تصادفی n x = x 1 ، x 2 ،… ، x n t به طرز مشکوکی مرتبط هستند ، ما باید آنها را به ترکیب های خطی نرمال تبدیل کنیم و پیدا کنیم که کدام ترکیب بیشتر تنوع را توضیح می دهد. در ریاضیات ، ما به دنبال یک وکتور ستون غیر صفر B = B 1 ، B 2 ... B N T هستیم که B 'B = 1 را برآورده می کند ، تا به حداکثر رساندن واریانس ترکیب خطی ، B'X باشد. واریانس B’X را می توان به صورت (2) var b 'x = e b' x 2 = e b 1 x 1 + b 2 x 2 +… + b n x n 2 (2)

از آنجا که ماتریس کواریانس X C است ، واریانس B’X را می توان به عنوان (3) var b 'x = b' c b (3) نوشت

برای یافتن B ، ما عملکرد Lagrange زیر را حل می کنیم (4) L = B 'C B - λ (B' B - 1) (4) که در آن λ یک ضرب Lagrange است. به عنوان شرط مرتبه اول (FOC) ، بردار مشتق جزئی (5) ∂ L ∂ B = 2 C B - 2 λ B = 2 C - λ I B = 0 (5)

ما می توانیم FOC را در معادله C B = λ B ، که مطابق با بیان مقادیر ویژه است ، ساده کنیم. بنابراین ، λ مقادیر ویژه ای به ماتریس کواریانس C است ، و B eigenvector مربوطه است. به هر λ i (i = 1 ، 2 ،… n) ، eigenveector مربوطه B I دارای قدرت توضیحی از تنوع کل است. B I 'X ، ترکیب خطی ، مؤلفه اصلی (PC) X با واریانس برابر با λ I است.

سرانجام ، ما در مجموع N PCS داریم که مستقل از یکدیگر هستند ، به عنوان جایگزینی X برای توضیح تنوع.(6) p c 1 = b 1 'x = b 11 x 1 + b 12 x 2 +… + b 1 n x n p c 2 = b 2' x = b 21 x 1 + b 22 x 2 +… + b 2 n x n…… P c n = b n 'x = b n 1 x 1 + b n 2 x 2 +… + b nn x n (6)

رایانه های شخصی بیشتر اطلاعات مهم موجود در متغیرهای اصلی x را نگه می دارند. PCA ما را قادر می سازد تا رایانه های شخصی را به عنوان مجموعه جدیدی از عوامل متعامد شناسایی کنیم.

3. PJM ، داده ها و متغیرهای متغیر

3. 1بازار PJM

در این بخش ما بازار انتخاب PJM را معرفی می کنیم. PJM در سال 1927 تأسیس شد و در حال حاضر سیستم پیشرو انتقال برق در جهان است. در اوایل سال 1962 ، PJM اولین رایانه آنلاین خود را برای کنترل تولید نصب کرد و سپس اولین سیستم مدیریت انرژی (EMS) را تأسیس کرد. در سال 1997 ، PJM اولین بازار انرژی مبتنی بر پیشنهادات خود را افتتاح کرد و به بزرگترین بازار عمده فروشی برق در جهان تبدیل شد. در سال 2013 ، PJM یک مرحله جدید توسعه شبکه هوشمند را راه اندازی کرد و مرکز کنترل پیشرفته را به منظور اطمینان از عملکرد بدون وقفه سیستم برقی و حفظ ثبات بازار الکتریکی اجرا کرد.

مهمتر از همه ، PJM به عنوان یک خانه پاکسازی انرژی برق عمل می کند. شرکت کنندگان در بازار ، از جمله تولید کنندگان برق و مصرف کنندگان ، به صورت واقعی برق را پیشنهاد و پیشنهاد می دهند. PJM با پیشنهادات و پیشنهادات مطابقت دارد و در عرض چند دقیقه از تجارت نقطه ، قیمت تمیز کردن بازار را می دهد. سپس برق به هر منطقه خدمات تولید و منتقل می شود. PJM نه تنها یک سیستم الکتریکی است ، بلکه عملکردهای بیشتری مانند بازارهای مالی را نیز منتقل می کند ، همانطور که توسط Bessembinder و Lemmon (2002) ، Geman and Roncoroni (2006) ، Longstaff و Wang (2004) و Seifert و Uhrig-Homburg (2007) بحث شده است. بشر

امروز ، PJM بزرگترین سازمان انتقال منطقه ای (RTO) قدرت در ایالات متحده است و حرکت قدرت را در 13 ایالت و منطقه کلمبیا هماهنگ می کند. مناطقی که توسط PJM سرو می شوند توسط خطوط انتقال تقسیم می شوند که از آن به گره های قیمت گذاری (PNODE) گفته می شود. قیمت تمیز کردن بازار به عنوان قیمت حاشیه محلی (LMP) و ساعتی به روز می شود. LMP مبلغ هزینه انرژی ، هزینه حاشیه ای از دست دادن انتقال و هزینه حاشیه ای از احتقان است که نقش اصلی در نوسانات در قیمت برق دارند. این نشان دهنده مقدار افزایشی یک مگاوات اضافی از انرژی منتقل شده به یک PNode خاص است.

بنابراین ، در این مطالعه PJM را به عنوان هدف تحقیق می گیریم و آن را به عنوان یک بازار از منظر امور مالی و اقتصاد رفتار می کنیم. یافته های PJM در مدیریت کارآمد در بازارهای برق روشن خواهد شد.

3. 2داده ها و متغیرهای متغیر

ما از داده های LMP ساعتی در طول 2013-2016 استفاده می کنیم که شامل 11،574 pnodes مجزا است. جدول 1 آمار توصیفی LMP ها را ارائه می دهد. حدود 392 میلیون سوابق LMP در این pnodes وجود دارد. ما تمام سوابق LMP غیر مثبت را به عنوان قیمت منفی معرفی می کنیم. بیش از دو میلیون LMP منفی وجود دارد که حدود 1 ٪ پایین از کل LMP ها را به خود اختصاص می دهد. به همین ترتیب ، ما LMP های سنبله را به عنوان 1 ٪ LMP های برتر برای هر PNODE به عنوان قوام مطالعات قبلی متمایز می کنیم (Walawalkar ، Blumsack ، Apt ، & Feands ، 2008). میانگین LMP های منفی 26. 22 دلار و میانگین LMPS سنبله 326. 21 دلار است. انحراف استاندارد از LMP های منفی 47. 37 است در حالی که انحراف استاندارد LMP های سنبله 240. 14 است. دامنه کلی هر دو گروه گسترده است: LMP های منفی بین 2240. 3 دلار و 0 گسترش می یابند در حالی که LMP های سنبله بین 175. 96 دلار و 4643. 74 دلار گسترش یافته است. توزیع LMP های منفی و سنبله در شکل 1 نشان داده شده است. جدول 1 آمار توصیفی LMP ها را ارائه می دهد. حدود 392 میلیون سوابق LMP در این pnodes وجود دارد. ما تمام سوابق LMP غیر مثبت را به عنوان قیمت منفی معرفی می کنیم. بیش از دو میلیون LMP منفی وجود دارد که حدود 1 ٪ پایین از کل LMP ها را به خود اختصاص می دهد. به همین ترتیب ، ما LMP های سنبله را به عنوان 1 ٪ LMP های برتر برای هر PNODE به عنوان قوام مطالعات قبلی متمایز می کنیم (Walawalkar ، Blumsack ، Apt ، & Feands ، 2008). میانگین LMP های منفی 26. 22 دلار و میانگین LMPS سنبله 326. 21 دلار است. انحراف استاندارد از LMP های منفی 47. 37 است در حالی که انحراف استاندارد LMP های سنبله 240. 14 است. دامنه کلی هر دو گروه گسترده است: LMP های منفی بین 2240. 3 دلار و 0 گسترش می یابند در حالی که LMP های سنبله بین 175. 96 دلار و 4643. 74 دلار گسترش یافته است. توزیع LMP های منفی و سنبله در شکل 1 نشان داده شده است. ما از داده های LMP ساعتی در طول 2013-2016 استفاده می کنیم که شامل 11،574 pnodes مجزا است. جدول 1 آمار توصیفی LMP ها را ارائه می دهد. حدود 392 میلیون سوابق LMP در این pnodes وجود دارد. ما تمام سوابق LMP غیر مثبت را به عنوان قیمت منفی معرفی می کنیم. بیش از دو میلیون LMP منفی وجود دارد که حدود 1 ٪ پایین از کل LMP ها را به خود اختصاص می دهد. به همین ترتیب ، ما LMP های سنبله را به عنوان 1 ٪ LMP های برتر برای هر PNODE به عنوان قوام مطالعات قبلی متمایز می کنیم (Walawalkar ، Blumsack ، Apt ، & Feands ، 2008). میانگین LMP های منفی 26. 22 دلار و میانگین LMPS سنبله 326. 21 دلار است. انحراف استاندارد از LMP های منفی 47. 37 است در حالی که انحراف استاندارد LMP های سنبله 240. 14 است. دامنه کلی هر دو گروه گسترده است: LMP های منفی بین 2240. 3 دلار و 0 گسترش می یابند در حالی که LMP های سنبله بین 175. 96 دلار و 4643. 74 دلار گسترش یافته است. توزیع LMP های منفی و سنبله در شکل 1 نشان داده شده است.

گزینه های باینری چیست...
ما را در سایت گزینه های باینری چیست دنبال می کنید

برچسب : نویسنده : مهدی امینی‌خواه بازدید : 53 تاريخ : دوشنبه 7 فروردين 1402 ساعت: 18:11