Simulation methods for stochastic storage problems: a statistical learning perspective
Simulation methods for stochastic storage problems: a statistical learning perspective
复制标题
随机存储问题的模拟方法：统计学习的角度
DOI：
10.1007/s12667-018-0318-4
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
Maheshwari, Aditya
中科院分区：
文献类型：
--
作者：
Ludkovski, Michael;Maheshwari, Aditya
我们考虑的随机存储问题的解决方案，通过回归蒙特卡罗方法。以统计学习的角度来看，我们开发的动态仿真算法（DEA），统一了不同的现有方法在一个单一的模块化模板。然后，我们调查的回归架构和实验设计，构成DEA的两个核心方面。对于回归部分，我们讨论了各种非参数方法，特别是在随机存储的背景下引入高斯过程回归的使用。对于仿真设计，我们比较了传统设计（网格离散化），对空间填充，和几个自适应的替代品的性能。整个DEA模板说明了多个例子，从天然气存储的估值和最优控制的备用发电机在微电网。
We consider solution of stochastic storage problems through regression Monte Carlo methods. Taking a statistical learning perspective, we develop the dynamic emulation algorithm (DEA) that unifies the different existing approaches in a single modular template. We then investigate the two central aspects of regression architecture and experimental design that constitute DEA. For the regression piece, we discuss various non-parametric approaches, in particular introducing the use of Gaussian process regression in the context of stochastic storage. For simulation design, we compare the performance of traditional design (grid discretization), against space-filling, and several adaptive alternatives. The overall DEA template is illustrated with multiple examples drawing from natural gas storage valuation and optimal control of back-up generator in a microgrid.
登录
查看更多内容
DOI：
10.2139/ssrn.2293942
发表时间：
2013-09
期刊：
Derivatives eJournal
影响因子：
--
作者：
Shashi Jain;C. Oosterlee
通讯作者：
Shashi Jain;C. Oosterlee
影响因子：
8.2
作者：
Longstaff, FA;Schwartz, ES
通讯作者：
Schwartz, ES
用于能源应用的最优库存控制的稍后回归蒙特卡罗
DOI：
--
发表时间：
2017
期刊：
影响因子：
--
作者：
Alessandro Balata;Jan Palczewski
通讯作者：
Jan Palczewski
通过最小二乘蒙特卡罗和支持向量回归进行天然气储存评估
DOI：
--
发表时间：
2017
期刊：
影响因子：
--
作者：
A. Malyscheff;T. Trafalis
通讯作者：
T. Trafalis
DOI：
--
发表时间：
2013
期刊：
影响因子：
--
作者：
Denis Mazières;Alexander Boogert
通讯作者：
Alexander Boogert