Feb, 2022

基于数据驱动的需求响应在线互动竞标策略

PDF
TL;DR本文提出一种使用智能电表数据和功能，同时确定投标和购买策略，基于历史招标经验学习的双代理深度确定性策略梯度方法来优化招标和购买决策，并通过在线学习确保趋势跟踪和自适应，结果表明该模型可以通过离线 / 在线学习投标规则并稳健地进行适当的出价，在面对多种情况时获得最优利润。
demand responsedrbidding strategysmart meter dataonline learning
发现论文，激发创造
  • 在线学习自动需求响应系统的因果性网络攻击

    利用纽约大学校园建筑中收集的需求响应数据，本文研究了基于人工智能的需求响应学习的漏洞，并设计了一种基于数据的攻击策略，展示了对实时响应激励、发送给响应客户的响应事件数据以及响应客户对响应激励的响应进行恶意篡改的可行性和影响。

    Jul, 2023

  • 基于多智能体深度 Actor-Critic 学习的智能电网需求侧调度

    本文针对需求侧能源管理问题，提出了一种基于智能电网环境的多智能体深度强化学习算法，可以在保证可扩展性和隐私保护的前提下利用即时观测和价格信号来最小化总体成本，并降低家庭总能耗的峰谷比和电力费用。

    May, 2020

  • 面向需求响应的最优定价 —— 非参数约束策略优化方法

    本文提出了一种创新的非参数约束策略优化方法，解决了基于价格的需求响应问题中，如何保证策略的稳定性和最优性的问题，并且采用一种高效的策略优化算法，得到了比现有强化学习算法更好的表现。

    Jun, 2023

  • 电动汽车充电的基于价格的需求响应的学习与优化

    这篇论文提出了一个新的决策为中心的端到端框架，将模型学习阶段中的预测误差和下游优化成本误差相结合，用于准确预测充电需求并优化充电站功率分配策略，实验证明该框架能够提供更可靠的预测模型，从而在仅有少量训练样本的情况下实现更有效的成本节约和充电站运营目标优化。

    Apr, 2024

  • 利用设备基于强化学习的最优需求响应

    本文提出了一种新型的供需响应问题的全自动能源管理系统的调度问题的强化学习方法，并以 Q 学习算法为例，通过对代表性例子的模拟结果进行了演示。

    Jan, 2014

  • 面向住宅负荷快速需求响应的多智能体强化学习

    本文研究了如何通过反应需求实现频率调控来整合高比例的可再生能源资源对电力网的影响。作者提出一个分散的代理模型，通过多代理近端政策优化和本地化通信进行训练。同时，文中探讨了两种通信框架：手工设计或通过目标化的多代理通信进行学习。最终的政策可以良好地、稳健地完成频率调节，并可以在恒定处理时间下无缝扩展到任意数量的房屋。

    Jan, 2023

  • 在线建筑能量优化使用深度强化学习

    本研究首次探讨使用深度强化学习在智能电网环境下实现建筑能源管理系统的在线调度优化，所提出的方法被验证可用于大规模数据资源中，如 Pecan Street Inc. 数据库，并且可以提供实时反馈以鼓励电能的更高效利用。

    Jul, 2017

  • 能源储存竞标中的时间感知深度强化学习

    通过利用深度强化学习，我们开发了一种新颖的电池储能系统联合竞标策略，有效地在现货市场和突发频率控制辅助服务市场中应对价格波动，并在动态电力市场中学习到最佳的电池储能系统竞标策略。实证结果表明，相比于基于优化和其他深度强化学习策略的基准，我们的策略在现货市场和突发频率控制辅助服务市场中能够获得明显的利润增长。

    Feb, 2024

  • 具有需求响应聚合器的能源交易博弈中的可扩展在线学习近似 Stackelberg 解

    本文提出了基于 Stackelberg 博弈理论的框架模型，实现需求响应汇集器和生产者之间的灵活双向能源套利，同时确保满足生产者的每日能源需求，基于在线采样学习的生产者最优响应提供了近似均衡及其质量界限，通过真实世界数据演示了所提出的框架和在线可伸缩方案的有效性。

    Apr, 2023

  • 能量与频率调节市场联合竞标的基于近端策略优化的强化学习

    本文将储能系统的竞标问题建模为马尔可夫决策过程，并利用深度强化学习算法 Proximal Policy Optimization 在澳大利亚国家电力市场历史数据上学习优化竞标策略，实现储能系统在现货和 FCAS 市场上的联合竞标并取得显著利润。

    Dec, 2022