Neue ML-Modelle prognostizieren Strommarktkurven für optimale Speicherstrategie
Forscher haben zwei innovative Machine‑Learning‑Ansätze vorgestellt, die die Vorhersage von aggregierten Strommarktkurven für den EPEX SPOT Day‑Ahead‑Markt revolutionieren. Durch die Kombination von schnellen, interpretierbaren Parametermodellen und tiefgreifenden generativen Verfahren können Betreiber von Energiespeichern nun präziser planen und ihre Preisgestaltung optimieren.
Das erste Modell nutzt eine kompakte, low‑dimensionalen Darstellung der Nachfrage‑ und Angebotskurve. Es kombiniert minimale und maximale Volumina mit einer Chebyshev‑Polynom‑Repräsentation für den elastischen Segmentbereich. Dadurch liefert es tagesaktuelle Prognosen mit geringem Fehleranteil und hoher Transparenz, sodass Betreiber sofortige Entscheidungen treffen können.
Das zweite Verfahren geht einen Schritt weiter: Generative Modelle lernen die gemeinsame Verteilung von 24‑Stunden‑Order‑Level‑Einreichungen unter Berücksichtigung von Wetter- und Brennstoffdaten. Sie erzeugen synthetische Tagesszenarien einzelner Kauf‑ und Verkaufsaufträge, die anschließend zu stündlichen Angebots‑ und Nachfragekurven zusammengefasst werden. Diese detaillierten Szenarien ermöglichen eine tiefere Analyse der Marktmechanismen.
Auf Basis dieser Vorhersagen wird eine preis‑schaffende Speicherstrategie optimiert. Die Modelle quantifizieren die Erlösverteilung und zeigen den Preis‑Kompressions‑Effekt auf: niedrigere Spitzen, höhere Ausgleichszeiten und abnehmende Renditen bei wachsender Kapazität. Diese Erkenntnisse liefern Entscheidungsträgern wertvolle Einblicke, um ihre Speicheranlagen effizienter zu betreiben und gleichzeitig die Marktvolatilität zu nutzen.