Data Analytics in Power Markets by Chen, Qixin; Guo, Hongye; Zheng, Kedi; Wang, Yi;

20% KEDVEZMÉNY?
A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.

Kiadói listaár EUR 149.79
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.

62 125 Ft (59 167 Ft + 5% áfa)
Kedvezmény(ek) 20% (cc. 12 425 Ft off)
Kedvezményes ár 49 700 Ft (47 334 Ft + 5% áfa)

62 125 Ft

Beszerezhetőség

Megrendelésre a kiadó utánnyomja a könyvet. Rendelhető, de a szokásosnál kicsit lassabban érkezik meg.

A termék adatai:

Kiadás sorszáma 1st ed. 2021
Kiadó Springer Nature Singapore
Megjelenés dátuma 2022. október 3.
Kötetek száma 1 pieces, Book

ISBN 9789811649776
Kötéstípus Puhakötés
Lásd még 9789811649745
Terjedelem273 oldal
Méret 235x155 mm
Súly 474 g
Nyelv angol
Illusztrációk XIX, 273 p. 119 illus., 103 illus. in color. Illustrations, black & white

Kategóriák

Valószínűségelmélet és matematikai statisztika Energetika, energiaipar Operációs rendszerek és grafikus felhasználói felületek Mesterséges intelligencia Energiaipar További könyvek a gazdaság területén Környezetvédelem Valószínűségelmélet és matematikai statisztika (karitatív célú kampány) Energetika, energiaipar (karitatív célú kampány) Operációs rendszerek és grafikus felhasználói felületek (karitatív célú kampány) Mesterséges intelligencia (karitatív célú kampány) Energiaipar (karitatív célú kampány) További könyvek a gazdaság területén (karitatív célú kampány) Környezetvédelem (karitatív célú kampány)

Hosszú leírás:

This book aims to solve some key problems in the decision and optimization procedure for power market organizers and participants in data-driven approaches. It begins with an overview of the power market data and analyzes on their characteristics and importance for market clearing. Then, the first part of the book discusses the essential problem of bus load forecasting from the perspective of market organizers. The related works include load uncertainty modeling, bus load bad data correction, and monthly load forecasting. The following part of the book answers how much information can be obtained from public data in locational marginal price (LMP)-based markets. It introduces topics such as congestion identification, componential price forecasting, quantifying the impact of forecasting error, and financial transmission right investment. The final part of the book answers how to model the complex market bidding behaviors. Specific works include pattern extraction, aggregated supply curve forecasting, market simulation, and reward function identification in bidding. These methods are especially useful for market organizers to understand the bidding behaviors of market participants and make essential policies. It will benefit and inspire researchers, graduate students, and engineers in the related fields.

Több

Tartalomjegyzék:

Introduction to power market data and their characteristics.- Modeling load forecasting uncertainty using deep learning models.- Data-driven load data cleaning and its impacts on forecasting performance.- Generalized cost-oriented load forecasting in economic dispatch.- A monthly electricity consumption forecasting method.- Data-driven pattern extraction for analyzing market bidding behaviors.- Stochastic optimal offering based on probabilistic forecast on aggregated supply curves.- Power market simulation framework based on learning from individual offering strategy.- Deep inverse reinforcement learning for reward function identification in bidding models.- The subspace characteristics and congestion identification of LMP data.- Online transmission topology identification in LMP-based markets.- Day-ahead componential electricity price forecasting.- Quantifying the impact of price forecasting error on market bidding.- Virtual bidding and FTR speculation based on probabilistic LMP forecasting.- Abnormal detection of LMP scenario and data with deep neural networks.

Több

Mostanában megtekintett