预测的价值：量化准确预测的经济收益

例如，工业转移开始、人们开始行动的早晨时间3.1数据转换和输入参数502000400060001000012000140001 2 3 4 5 6 7 8 9 10 11 12 14 15 16 17 18 19 20 21 22 24 TSO预测MW交付HourNon太阳能预测模型非太阳能预测太阳能丰富预测图3：德国平均光伏（PV）产量预测基于公开的TSO PV预测。请注意，我们考虑了从2015年10月1日到2018年5月31日的整个时间序列，并对所有24个交付小时进行了平均，以便分析任何昼夜影响。up导致电网负荷迅速增加，而其水平在中午左右更可能保持稳定。我们不仅考虑特定小时的负荷或风电场预测，而且还考虑前一小时的预测，从而接受风力发电和负荷的这些影响。这两个值之间的巨大差异可能表明斜坡效应，并且可以为我们的预测模型包含有价值的信息。与这些输入相关的是对每小时数据的关注。一些价格和风力数据仅以小时格式显示。通过假设每四分之一小时的小时值而不进行任何进一步处理，可以对它们进行相当适度的转换。由于我们对每季度每小时的分配一无所知，因此这似乎是捕捉这些影响的最公正的方法。对于Wind，也可以由专业提供商进行季度末小时预测。我们特意选择了每小时TSOdata以确保高再现性，但需要承认，指定供应商的数据提高了预测精度，因为它提供了更准确的QH天气数据。谈到天气数据，我们不能忘记德国燃料组合的另一个关键组成部分：光伏发电。

其重要性的一个明显迹象是，即使交易所本身也提到PV馈入是2013年推出QH拍卖的主要原因之一（新闻稿见EPEX（2013））。M"arkle Husset al.（2018）支持这一重要性评估，指出QH交易最受光伏产量上升或下降的驱动，即光伏产量快速上升或下降的时间。然而，预测者需要小心PV数据。在夜间，由于没有生产，时间序列具有恒定的零，这可能会导致预测模型出现问题。图3展示了如何在一整天内分配这种影响。平均DPV产量仅在8到19小时之间的一段时间内开始显著偏离零。我们已做出专家决定，将PV生产数据添加到所有QH预测模型中，从第29季度到第76季度，并在所有其他季度完全忽略PV。我们还希望捕获风和负荷预测中的爬坡效应，并考虑相关小时的官方TSO PVinfeed预测及其一段时间前的等效预测。因此，我们的预测方法考虑了光伏生产的上升或下降。图1并不严格限于每季度一小时的市场，但如果我们这样做，仍有三个交易机会：EPEXQH拍卖、连续盘中交易和EXAA拍卖，该拍卖在每天上午10:20公布结果。因此，第一季度每小时价格信息由Exaa prices提供。其信息可能会被纳入EPEX市场的预测计划（参见Ziel（2017）的想法）。成交量分析表明了PEX每小时拍卖价格的重要性。中午前后，这些价格成为任何现货交易活动的基准。它们为日前交易提供了一个重要的价格指示。

预计对该市场的可能影响也会对日内市场产生部分影响。表2总结了所有外部决定因素及其数据来源。每天每四分之一小时单独计算一次。这种方法将计算中所有矩阵的大小缩小了96，并大大减少了计算量。另一方面，由爬坡成本或类似负荷事件引起的季度-小时相互依赖性将丢失。传统火力发电厂有启动正常运行时间等界限。这可能会导致一刻钟受到前一刻钟的深刻影响。