Prévisions probabilistes de l’électricité et évaluation de l’arbitrage par batterie

Résumé

L’étude examine si de meilleures prévisions probabilistes des prix de l’électricité pour le lendemain se traduisent par de meilleurs résultats de trading par batterie. Elle relève deux limites des stratégies de trading fondées sur les quantiles : elles ne récompensent pas les prévisions probabilistes honnêtes et ignorent la dépendance temporelle entre les prix de l’électricité. En alternative, elle formule l’optimisation de la batterie comme un programme stochastique utilisant des prévisions probabilistes complètes, puis étudie comment mesurer la qualité des décisions dans des contextes neutres ou averses au risque et selon différents modèles d’incertitude.

Le travail apporte une justification théorique et des éléments empiriques issus d’une étude de cas sur le marché allemand de l’électricité. Il avertit que les résultats des stratégies de trading par batterie peuvent induire en erreur lorsqu’ils servent à classer des modèles de prévision et examine le lien entre qualité statistique des prévisions, qualité des décisions et performance économique. L’extrait ne fournit aucun résultat numérique précis ni détail sur l’étude de cas ; il ne permet donc pas de conclure quel modèle de prévision ou quelle stratégie par batterie est la plus performante. Il porte sur les pratiques d’évaluation, et non sur une règle de trading prête à déployer.

Idées clés

• Les stratégies par batterie fondées sur les quantiles peuvent ne pas récompenser les prévisions probabilistes honnêtes.
• Ces stratégies omettent également la dépendance temporelle des prix de l’électricité.
• L’étude formule l’optimisation de la batterie comme un programme stochastique utilisant des distributions prédictives complètes.
• Elle évalue la qualité des décisions dans des contextes neutres ou averses au risque et selon différents modèles d’incertitude.
• L’étude de cas sur le marché allemand souligne les risques liés au classement des prévisions à partir des résultats du trading par batterie.

Étiquettes

# 2604.19580


# Probabilistic Forecasting for Day-ahead Electricity Prices, Battery Trading Strategies and the Economic Evaluation of Predictive Accuracy









Electricity price forecasting supports decision-making in energy markets and asset operation. Probabilistic forecasts are increasingly adopted to explicitly quantify uncertainty, typically issued as quantile predictions or ensembles of the full predictive distribution. However, how improvements in statistical forecast quality translate into economic value remains unclear. Battery storage arbitrage in day-ahead markets is a popular application-based benchmark for this purpose. We analyze quantile-based trading strategies (QBTS) and identify two critical flaws: they do not incentivize honest probabilistic forecasting and they ignore the intertemporal dependence structure of electricity prices. We therefore frame battery optimization as a stochastic program based on fully probabilistic forecasts and examine decision quality measurement for risk-neutral and risk-averse settings under different uncertainty models. Our discussion touches both sides of the coin: How reliable is the economic evaluation of forecasting models though (simplified) application studies - and how do improvements in statistical forecast quality for stochastic programs relate to the decision-quality and economic performance? We provide theoretical justification and empirical evidence from a case study on the German electricity market. Our results highlight the pitfalls of ranking forecasting models through battery trading strategies. We conclude with implications for evaluation practice and directions for future research in application-based forecast assessment.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.