[论文解读] Forecasting wind speed financial return

Guglielmo D’Amico, Filippo Petroni+1 more|arXiv (Cornell University)|Dec 13, 2013

Energy Load and Power Forecasting参考文献 12被引用 4

一句话总结

本文提出了一种索引半马尔可夫链（ISMC）模型，用于风速的非参数预测，相较于持久性模型在多个时间范围（10分钟至2小时）内表现出更优的性能。该模型通过离散化状态准确预测风速，并进一步应用于估算风力发电厂投资的财务指标——内部收益率（IRR）、久期和凸性，结果显示在有激励和无激励情景下，真实数据与模拟数据之间具有高度一致性。

ABSTRACT

The prediction of wind speed is very important when dealing with the production of energy through wind turbines. In this paper, we show a new nonparametric model, based on semi-Markov chains, to predict wind speed. Particularly we use an indexed semi-Markov model that has been shown to be able to reproduce accurately the statistical behavior of wind speed. The model is used to forecast, one step ahead, wind speed. In order to check the validity of the model we show, as indicator of goodness, the root mean square error and mean absolute error between real data and predicted ones. We also compare our forecasting results with those of a persistence model. At last, we show an application of the model to predict financial indicators like the Internal Rate of Return, Duration and Convexity.

研究动机与目标

• 开发一种不依赖分布假设的风速非参数预测模型。
• 评估ISMC模型在多个时间尺度（10分钟至2小时）上的预测准确性。
• 将模型应用于预测风力发电厂投资的财务指标，如IRR、久期和凸性。
• 使用RMSE和MAE指标，将模型性能与持久性模型进行对比。
• 通过真实数据与模拟数据，在政府激励与非激励情景下验证模型的财务适用性。

提出的方法

• ISMC模型采用包含八个风速区间的离散状态空间（0–3 m/s至>9 m/s），对连续风速数据进行离散化处理。
• 模型在以30分钟、1小时和2小时为间隔重采样的历史风速数据上进行训练，以评估多尺度预测性能。
• 通过幂律公式对涡轮机轮毂高度的风速进行校正：$ v_h = v_{ref} \left( \frac{h}{h_{ref}} \right)^\alpha $，其中 $ \alpha = \frac{1}{\ln(h/z_0)} $，且在陆上条件下 $ z_0 = 0.005 $。
• 利用10 kW Aircon HAWT涡轮机的功率曲线对发电量进行建模，该曲线将风速映射为电能输出。
• 通过蒙特卡洛模拟，基于ISMC模型生成1000种未来风速和发电量的情景。
• 利用标准公式从模拟现金流中计算财务指标——IRR、久期和凸性，其中IRR通过迭代方法求解，久期和凸性则在3%贴现率下计算。

实验结果

研究问题

• RQ1 索引半马尔可夫链模型是否能在不假设分布的前提下，准确预测多个时间范围内的风速？
• RQ2 ISMC模型在RMSE和MAE指标下，其预测性能相较于持久性模型如何？
• RQ3 ISMC模型在多大程度上能够模拟出风力发电厂投资的真实财务指标（IRR、久期和凸性）？
• RQ4 政府激励如何影响ISMC模拟风速情景下推导出的财务指标？
• RQ5 该模型在不同采样频率（30分钟、1小时、2小时）下的预测准确性是否保持稳定？

主要发现

• ISMC模型在所有测试时间范围（10分钟至2小时）内均优于持久性模型，RMSE和MAE均更低。
• 在15年投资周期且有政府激励的情况下，真实数据的平均IRR为0.5256 ± 0.0063，ISMC模拟结果为0.5186 ± 0.0062。
• 在30年投资周期且无激励的情况下，真实数据的平均IRR为0.0249 ± 0.0021（真实），模拟结果为0.0240 ± 0.0003，显示出高度一致性。
• 久期值在真实与模拟数据之间几乎完全一致：有激励时为7.0134 ± 0.0253（真实）与6.9997 ± 0.0024（模拟）；无激励时为7.2680 ± 0.0122与7.2288 ± 0.0023。
• 凸性值也高度一致：有激励时为71.7516 ± 0.3638（真实）与71.5337 ± 0.0401（模拟）；无激励时为126.9422 ± 0.3119与126.1550 ± 0.0590。
• 该模型在时间尺度上保持一致的预测性能，从10分钟到2小时的时间范围未出现显著性能下降。