電力市場中大型加密貨幣挖礦負載的計量經濟分析

1. 緒論

德州電網（ERCOT）正經歷由大型加密貨幣挖礦資料中心驅動的快速負載增長，單一用電量最高可達 700 MW。本文針對這些「大型彈性負載」（定義為單一容量 ≥ 75.0 MW 的挖礦公司）進行計量經濟分析。與最初假設相反，研究發現其短期用電量與加密貨幣價格（例如比特幣匯率）並無直接關聯。相反地，其主要受到當地電價和環境溫度的影響，並且他們會策略性地調整用電以規避固定的輸配電（T&D）網路費用，即夏季期間的「四點同時尖峰」（Four Coincident Peak, 4CP）收費。

2. 方法論與資料

本研究採用資料驅動的計量經濟方法，來模擬 ERCOT 市場內加密貨幣挖礦負載的用電行為。

3. 主要發現與結果

4. 技術細節與模型

季節性 ARIMA 模型表示為 SARIMA(p, d, q)(P, D, Q)[s]。對於時間序列 $Y_t$（轉換後的挖礦負載），模型的一般形式為：

$$ \phi_p(B)\Phi_P(B^s)(1-B)^d(1-B^s)^D Y_t = \theta_q(B)\Theta_Q(B^s)\epsilon_t $$ 其中：

• $B$ 是後移運算子（$BY_t = Y_{t-1}$）。
• $\phi_p(B)$ 和 $\theta_q(B)$ 分別是階數為 $p$ 和 $q$ 的非季節性 AR 和 MA 多項式。
• $\Phi_P(B^s)$ 和 $\Theta_Q(B^s)$ 分別是階數為 $P$ 和 $Q$、季節週期為 $s$ 的季節性 AR 和 MA 多項式（例如，對於小時資料的每日季節性，$s=24$）。
• $d$ 和 $D$ 分別是非季節性和季節性的差分階數。
• $\epsilon_t$ 是白噪音誤差。

5. 分析框架與案例示例

案例：模擬挖礦者對熱浪與電價飆升的反應

情境： ERCOT 預測夏季某週將出現嚴重熱浪，預期全系統負載將很高，即時電價可能飆升至每兆瓦時 1000 美元以上。

框架應用：

1. 輸入： 將預測溫度（例如 105°F）、日前電價以及當前日曆期間（在 4CP 窗口內）輸入到已訓練的 SARIMA 模型中。
2. 模型預測： 模型已學習到與溫度的負相關性和對價格的敏感性，因此預測受影響時段的用電量將從基準 500 MW 顯著下降至估計的 150 MW。
3. 電網營運商洞察： ERCOT 現在可以可靠地在其資源充足性和調度模型中，將這約 350 MW 的彈性需求減少納入考量。這種「虛擬容量」可以抵消啟用昂貴尖峰發電廠的需求。
4. 結果： 在極端事件期間提高電網可靠性，並實現更有效率的市場結算，因為模型揭示了隱藏的彈性。

6. 產業分析師觀點

核心洞察： 本文揭示了一個關鍵且反直覺的事實：大型比特幣礦工並非簡單地、即時追逐加密貨幣估值的「價格接受者」負載。他們是精明的、具備電網意識的經濟參與者，其短期決策主要受電力輸入成本（市場價格 + 冷卻）和電網費率結構（4CP）主導，而非比特幣本身波動的產出價格。這將他們從純粹的電網負擔，重新定位為潛在可管理、甚至有益的彈性需求來源。

邏輯脈絡： 作者從觀察到的問題（龐大且不斷增長的挖礦負載）出發，挑戰了顯而易見的假設（加密貨幣價格驅動用電），並讓資料說話。透過穩健的相關性分析和 SARIMA 建模，他們系統性地排除了加密貨幣價格作為關鍵驅動因素，並分離出真正的槓桿：溫度和當地電價。最後一環是將此行為與 ERCOT 4CP 成本回收機制的特定設計連結起來，解釋了策略性的夏季減載。邏輯清晰、有資料支持且具說服力。

優點與不足：
優點： 使用真實世界的監管和市場資料（ERCOT、SEC 申報文件）使研究立足於實務，而非理論。對 4CP 機制的關注非常出色——它識別出一個具體、可操作的政策槓桿。方法論適當且解釋清晰。
不足： 主要限制（雖已承認但至關重要）是資料的細緻度和透明度。依賴彙總或公開報告掩蓋了公司層面的異質性。正如本文所指出的，不同設施的反應並不一致。基於更好資料的模型——或許透過與 ERCOT 或主要礦工合作——可能揭示更細微的策略。此外，該模型是描述性/預測性的，而非規範性；它並未優化電網營運商應如何透過新的市場產品積極調動這種彈性。

可操作的見解：

1. 對監管機構（PUCT, ERCOT）： 加倍投入像 4CP 這樣反映成本的電網費率。它們是有效的。考慮設計新的、更快速的需求響應計畫，專門針對挖礦負載的數位化、自動化特性，可能為次小時級的可靠性服務提供報酬。
2. 對挖礦公司： 主動建模並向電網營運商溝通你們的彈性。本研究提供了藍圖。透過將你們的需求響應能力正式化，你們可以從被視為問題轉變為有償的電網資產，改善營運的社會許可，並創造新的收入來源。
3. 對研究人員： 這是一個範本。將此計量經濟框架應用於其他挖礦滲透率高的地區（例如哈薩克、加拿大）。下一步是將此用電模型整合到完整的電網規模生產成本模型（如 GE-MAPS 或 PLEXOS）中，以量化系統範圍的經濟和可靠性影響（包括正面和負面）。

7. 未來應用與方向

• 合成資料生成： 經過驗證的模型可以生成公開的、關於挖礦負載行為的合成資料集，使更廣泛的學術和產業研究成為可能，同時不損害商業機密。
• 先進市場機制： 為新的輔助服務市場或即時需求響應計畫的設計提供資訊，這些計畫可以明確地與礦池簽約並補償其超快速負載減少，類似於分散式能源資源。
• 與再生能源整合： 模擬如何策略性地佈置和運營挖礦負載，以在低電價和高發電量的時期吸收過剩的風能和太陽能發電，充當靈活的「基載」，從而改善再生能源經濟性並減少棄電。
• 跨資產優化： 未來的模型可以將挖礦活動與公司的其他資產（如用戶側電池儲能或再生能源發電）整合，以創建在電力和加密貨幣市場中最大化收入的優化投資組合。
• 全球複製應用： 將此框架應用於其他主要挖礦中心（例如斯堪地那維亞、中東），以發展對加密貨幣挖礦與不同電網架構和市場設計互動的全球性理解。

8. 參考文獻

1. Majumder, S., Xie, L., & Aravena, I. (2024). An Econometric Analysis of Large Flexible Cryptocurrency-mining Consumers in Electricity Markets. arXiv preprint arXiv:2408.12014v2.
2. ERCOT. (2024). Reports on Load Growth and Resource Integration. Electricity Reliability Council of Texas.
3. RIOT Blockchain, Inc. (2023). Annual Report (Form 10-K). U.S. Securities and Exchange Commission.
4. ERCOT. (2022). Analysis of Price Responsive Demand. Market Participant Workshop Presentation.
5. Du, P., Lu, N., & Zhong, H. (2019). Demand Response in Electricity Markets: An Overview. IEEE Power & Energy Society General Meeting.
6. Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control. John Wiley & Sons. (For SARIMA methodology).
7. International Energy Agency (IEA). (2023). Electricity Market Report. – For context on global electricity market trends and digitalization of demand.