【内容简介】
本书以电力市场领域近年来的研究工作成果为基础，力图系统性地介绍电力市场中的数据价值挖掘方法以支撑市场组织者和市场参与者的决策问题。本书围绕电力市场中的公开数据和机器学习方法理论与应用展开，结合电力市场规则和物理特征，期望解决市场规则解析和数据结构化两大核心难点，并从负荷与电价预测、报价行为解析、金融衍生品投机等方面，构建了电力市场数据分析理论和技术方法体系。《BR》全书共13章，第1章介绍了世界各地的电力市场数据概况。除第1章外，剩余内容分为三部分。 部分为负荷建模与预测，包括了基于智能电表数据的负荷预测方法等。第二部分为电价建模与预测，包括了节点电价数据的子空间特性建模等。第三部分为市场投标行为分析，包括了机组投标行为的特征提取方法等。

【目　录】
Contents
1Introduction to Power Market Data
1.1 Overview of Electricity Markets
1.2 Organization and Data Disclosure of Electricity Market
1.2.1 Transaction Data
1.2.2 Price Data
1.2.3 Supply and Demand Data
1.2.4 System Operation Data
1.2.5 Forecast Data
1.2.6 Confidential Data
1.3 Conclusions
References
PartⅠLoad Modeling and Forecasting
2Load Forecasting with Smart Meter Data
2.1 Introduction
2.2 Framework
2.3 Ensemble Learning for Probabilistic Forecasting
2.3.1 Quantile Regression Averaging
2.3.2 Factor Quantile Regression Averaging
2.3.3 LASSO Quantile Regression Averaging
2.3.4 Quantile Gradient Boosting Regression Tree
2.3.5 Rolling Window-Based Forecasting
2.4 Case Study
2.4.1 Experimental Setups
2.4.2 Evaluation Criteria
2.4.3 Experimental Results
2.5 Conclusions
References
3Load Data Cleaning and Forecasting
3.1 Introduction
3.2 Characteristics of Load Profiles
3.2.1 Low-Rank Property of Load Profiles
3.2.2 Bad Data in Load Profiles
3.3 Methodology
3.3.1 Framework
3.3.2 Singular Value Thresholding (SVT)
3.3.3 Quantile RF Regression
3.3.4 Load Forecasting
3.4 Evaluation Criteria
3.4.1 Data Cleaning-Based Criteria
3.4.2 Load Forecasting-Based Criteria
3.5 Case Study
3.5.1 Result of Data Cleaning
3.5.2 Day Ahead Point Forecast
3.5.3 Day Ahead Probabilistic Forecast
3.6 Conclusions
References
4Monthly Electricity Consumption Forecasting
4.1 Introduction
4.2 Framework
......