ML-Based Price Forecasts in the Open Electricity Market Model AMIRIS

Kurzfassung

Motivation und zentrale Fragestellung Agentenbasierte Modelle (ABM) können wertvolle Erkenntnisse in energiewirtschaftlichen Untersuchungen liefern [1]. Die Abbildung des Verhaltens heterogener Akteure sowie die Analyse des Zusammenwirkens von Einzelentscheidungen und daraus hervorgehender emergenter Dynamiken liefern wertvolle Erkenntnisse für die Modellierung heutiger und zukünftiger Energiesysteme [2]. Eine zentrale methodische Herausforderung besteht in der präzisen Abbildung von Flexibilitätsoptionen wie z. B. Stromspeichern und deren Einsatzentscheidungen [3]. Für einen effizienten und wirtschaftlichen Betrieb dieser Flexibilitätsoptionen sind neben der angewandten Einsatzstrategie auch hinreichend genaue Strompreisprognosen erforderlich [4]. Die Erstellung dieser Strompreisprognosen für die Energiesystemmodellierung ist von entscheidender Bedeutung und soll in folgendem Beitrag näher untersucht werden. Methodische Vorgangsweise Für die Strommarktsimulation wird das quelloffene ABM AMIRIS [5] verwendet. Im Zentrum von AMIRIS steht die Abbildung des Day-Ahead-Marktes. Marktteilnehmer reichen ihre Gebote ein und erhalten nach der Markträumung individuelle Bezuschlagungen für ihre Kapazitäten bzw. ihre gemeldete Nachfrage [6]. Für ihre Handelsentscheidungen können Marktteilnehmer im Modell Strompreisprognosen bei einem zentralen Vorhersageagenten anfragen. Diese Anfrage wird über eine mit FastAPI1 realisierte Schnittstelle während der Laufzeit von AMIRIS an ein externes Prognosemodell weitergeleitet. Das eigens entwickelte Modul forecast-api wickelt den Aufruf der Prognosemodelle ab und sorgt dafür, dass die Antwort wieder an die API Schnittstelle (und damit an AMIRIS) zurückgesendet wird. Für die eigentliche Prognose können sowohl "naive" Modelle, wie z. B. TimeShift-Modelle [7], als auch umfangreiche Neuronale Netze (NN), wie z. B. Transformer [8], verwendet werden. Die NN können auf Basis von Szenariodaten trainiert werden, die mit dem AMIRIS Szenariogenerator [9] erstellt wurden. Die gesamte Modellkette wird mit ihren Einzelkomponenten und Eingangsdaten [10] Open Source zur Verfügung gestellt und kann einfach angepasst und erweitert werden. Ergebnisse und Schlussfolgerungen Es zeigt sich, dass leistungsfähige NN sehr gut für Strompreisprognosen in ABM geeignet sind. Umfangreiche Voruntersuchungen verdeutlichen die Relevanz der Eingangsdaten für präzise Strompreisprognosen. Umfassend trainierte NN-Modelle, sogenannte globale Modelle, können auch für Zukunftsszenarien, welche grundlegende Änderungen des Kraftwerksparks durch die Energiewende vorsehen, robuste Ergebnisse liefern [11]. Durch die vorgestellte Modellkette können die trainierten Modelle sehr einfach eingesetzt werden. Die Rechenzeiten erhöhen sich zwar durch die Einbindung des externen Modells und den Aufruf der Prognosemodelle, bleiben aber bei stündlichen Simulationen eines ganzen Jahres unter 30 Sekunden. Dies ermöglicht die Durchführung von Sensitivitätsanalysen und Multi-Szenario-Betrachtungen. Darüber hinaus kann aufgrund der verbesserten Strompreisprognosen der Wettbewerb zwischen den Flexibilitäten abgebildet werden, da potenzielle Lawineneffekte, d. h. gleichzeitiges Handeln aufgrund identischer Preissignale, implizit berücksichtigt und entschärft werden können. In zukünftigen Analysen sollen robuste Einsatzstrategien der Flexibilitätsoptionen entwickelt werden, die den zunehmenden Wettbewerb der Flexibilitäten explizit adressieren. Die laufenden Arbeiten werden im Rahmen des vom Bundesministerium für Bildung und Forschung geförderten Projektes FEAT2 (FKZ: 01IS22073B) durchgeführt. Literatur [1] Castro J, Drews S, Exadaktylos F, Foramitti J, Klein F, Konc T et al. A review of agent-based modeling of climate-energy policy. WIREs Climate Change 2020;11(4). [2] Barazza E, Strachan N. The impact of heterogeneous market players with bounded-rationality on the electricity sector low-carbon transition. Energy Policy 2020;138:111274. [3] Heider A, Reibsch R, Blechinger P, Linke A, Hug G. Flexibility options and their representation in open energy modelling tools. Energy Strategy Reviews 2021;38:100737. [4] Nitsch F, Wetzel M, Gils HC, Nienhaus K. The future role of Carnot batteries in Central Europe: Combining energy system and market perspective. Journal of Energy Storage 2024;85:110959. [5] Schimeczek C, Nienhaus K, Frey U, Sperber E, Sarfarazi S, Nitsch F et al. AMIRIS: Agent-based Market model for the Investigation of Renewable and Integrated energy Systems. JOSS 2023;8(84):5041. [6] Maurer F, Nitsch F, Kochems J, Schimeczek C, Sander V, Lehnhoff S. Know Your Tools - A Comparison of Two Open Agent-Based Energy Market Models. In: 2024 20th International Conference on the European Energy Market (EEM): IEEE; 2024, p. 1-8. [7] Hyndman RJ, Athanasopoulos G. Forecasting: principles and practice. 2nd ed. Melbourne; 2018. [8] Lim B, Arik SÖ, Loeff N, Pfister T. Temporal fusion transformers for interpretable multi-horizon time series forecasting. International Journal of Forecasting 2021. [9] Nitsch F, Frey U, Schimeczek C. AMIRIS-Scengen - A Scenario Generator for the Open Electricity Market Model AMIRIS: Zenodo; 2024. [10] Nienhaus K, Schimeczek C, Frey U, Sperber E, Sarfarazi S, Nitsch F et al. AMIRIS Examples: Zenodo; 2023. [11] Nitsch F, Schimeczek C, Bertsch V. Applying machine learning to electricity price forecasting in simulated energy market scenarios. Energy Reports 2024;12:5268-79. [1] https://github.com/fastapi/fastapi (aufgerufen am 22.11.2024) [2] https://www.dlr.de/de/ve/forschung-und-transfer/projekte/2022/projekt-feat (aufgerufen am 22.11.2024)