Die Automatisierung des Energiehandels

EXXETA Algorithmic Trading Solution

Während im Bankenwesen “Algorithmic Trading” Stand der Technik ist, gewinnt dieses Thema in der Energiewirtschaft zunehmend an Bedeutung. Der kontinuierliche Wandel der Europäischen Energiesysteme und der Energiewirtschaft sind hierbei starke Treiber.

Und da ich immer auf der Suche nach neuen spannenden Themen bin, beschäftige ich mich jetzt intensiv mit diesem Themenkomplex.  Einen ersten Überblick vermittelt die Web Seite, an der ich maßgeblich gearbeitet habe.

Vielleicht hilft ein Fallbeispiel? Wie wäre es mit der automatisierten Vermarktung von Strom aus regenerativen Quellen an den Intraday Märkten wie EpexSpot oder Nordpool Spot?Beispiel Direktvermarktung!

Weitere Veröffentlichungen werden folgen …

Innovative Smart Grid Technologies (ISGT 2016) in Melbourne

Input Data Analysis for Optimized Short Term Load Forecasts

Die IEEE Konferenz Innovative Smart Grid Technologies (ISGT 2016) fand in Melbourne, Australien vom 28.11. bis 1.12.2016 statt.

Mein erster Vortrag “Input Data Analysis for Optimized Short Term Load Forecasts” konnte ich in der Session “Demand Forecast” am Vormittag des 1.12. vorstellen.

Der Abstract:

Accurate electrical short term load forecasts play an important role for grid operation, power plant scheduling and power trading. The need for precise forecasts rises as energy markets are in a phase of transition due to severe changes in the energy system for European countries. This transition is mainly caused by rising shares of renewable energies, increasing energy efficiency and consumption pattern changes.
This paper presents a case study based on publicly available data, on how selection of weather and economic data, the historic availability of training data and regional aspects affect the quality of short term load forecasts. By using evaluation metrics, such as the normalized rooted mean square error (NRMSE) and the mean average percentage error (MAPE), forecasting results may be compared to other case studies. Furthermore, the case study is based on a novel model framework utilizing e. g. artificial neuronal network (ANN), support vector regression (SVR) and similar day models. By selecting optimized training data sets we increase forecasting accuracy for supported models up to 11%. Forecasting results of supported models for a whole year, including holidays and weekends, range from 2.1% to 2.38% MAPE.