Ria Grindel

• The German energy mix, which provides an overview of the sources of electricity available in Germany, is changing as a result of the expansion of renewable energy sources. With this shift towards sustainable energy sources such as wind and solar power, the electricity market situation is also in flux. Whereas in the past there were few uncertainties in electricity generation and only demand was subject to stochastic uncertainties, generation is now subject to stochastic fluctuations as well, especially due to weather dependency. To provide a supportive framework for this different situation, the electricity market has introduced, among other things, the intraday market, products with half-hourly and quarter-hourly time slices, and a modified balancing energy market design. As a result, both electricity price forecasting and optimization issues remain topical. In this thesis, we first address intraday market modeling and intraday index forecasting. To do so, we move to the level of individual bids in the intraday market and use them to model the limit order books of intraday products. Based on statistics of the modeled limit order books, we present a novel estimator for the intraday indices. Especially for less liquid products, the order book statistics contain relevant information that allows for significantly more accurate predictions in comparison to the benchmark estimator. Unlike the intraday market, the day ahead market allows smaller companies without their own trading department to participate since it is operated as a market with daily auctions. We optimize the flexibility offer of such a small company in the day ahead market and model the prices with a stochastic multi-factor model already used in the industry. To make this model accessible for stochastic optimization, we discretize it in time and space using scenario trees. Here we present existing algorithms for scenario tree generation as well as our own extensions and adaptations. These are based on the nested distance, which measures the distance between two distributions of stochastic processes. Based on the resulting scenario trees, we apply the stochastic optimization methods of stochastic programming, dynamic programming, and reinforcement learning to illustrate in which context the methods are appropriate.
• Im Rahmen des Zubaus erneuerbarer Energieträger in Deutschland verändert sich der deutsche Energiemix, der sich aus den in Deutschland vorhandenen Stromquellen zusammensetzt. Mit dem Wandel hin zu nachhaltigen Stromquellen wie Wind- und Solarenergie verändert sich auch die Situation, der sich der Strommarkt gegenübersieht. Während in der Vergangenheit wenig Unwägbarkeiten in der Stromerzeugung existierten und nur die Nachfrage stochastische Unsicherheiten aufwies, ist mittlerweile aufgrund der Wetterabhängigkeit auch die Erzeugung stochastischen Schwankungen ausgesetzt. Um für diese andersartige Situation einen unterstützenden Rahmen zu bieten, wurden am Strommarkt unter anderem der Intradaymarkt, Produkte mit halb- und viertelstündigen Zeitscheiben und ein verändertes Regelenergiemarktdesign eingeführt. Damit sind sowohl die Themen der Strompreisvorhersage als auch die der Optimierung auf den Strommärkten weiterhin aktuell. Diese Arbeit beschäftigt sich zunächst mit der Modellierung des Intraday-Markts und der Prognose von Intraday-Indices. Dafür bewegen wir uns auf die Ebene der einzelnen Gebote am Intraday-Markt und modellieren mit diesen die Limitorderbücher der Intraday-Produkte. Basierend auf ausgewählten statistischen Kenngrößen der modellierten Limitorderbücher stellen wir einen neuartigen Schätzer für die Intraday-Indices vor. Gerade für Produkte mit weniger Liquidität enthalten die Orderbuchstatistiken relevante Informationen, die signifikant genauere Vorhersagen als der Vergleichsschätzer ermöglichen. Da der Day-Ahead-Markt im Gegensatz zum Intraday-Markt als Markt mit täglicher Auktion betrieben wird, bietet er kleineren Unternehmen ohne eigene Handelsabteilung die Möglichkeit, sich am Strommarkt zu beteiligen. Aus deren Perspektive optimieren wir ihr Flexibilitätsangebot am Day-Ahead-Markt und modellieren dabei die Preise mithilfe eines stochastischen Mehrfaktormodells, welches bereits Einsatz in der Industrie findet. Um dieses Modell für die stochastische Optimierung aufzubereiten, wird eine Diskretisierung des Modells in Zeit und Raum mithilfe von Szenariobäumen vorgenommen. Hier stellen wir sowohl vorhandene Algorithmen zur Szenariobaumerzeugung als auch unsere eigenen Erweiterungen und Anpassungen vor. Diese basieren auf der Nested Distance, welche den Abstand zweier Verteilungen stochastischer Prozesse misst. Auf Basis der so entstandenen Szenariobäume wenden wir schließlich die stochastischen Optimierungsmethoden der stochastischen Programmierung, der dynamischen Programmierung und des Reinforcement Learnings an und untersuchen, in welchem Kontext die Methodiken jeweils geeignet sind.