能源储存系统是能源市场中至关重要的组成部分，本研究提出了一种异质光伏 - 能源储存系统，利用了电池能量存储和氢能存储的特性，通过开发全面的成本函数和基于人为设计的原型网络，实现了透明的调度策略并取得了令人满意的效果。

Oct, 2023

整合的能源存储竞标模型利用基于 Transformer 的实时价格预测模型进行日前竞标设计，并使用长短期记忆 - 动态规划混合实时竞标模型进行实时竞标，以最大化利润和降低风险。在纽约州的历史数据测试中，整合系统相较于仅在实时市场进行竞标可获得约 20％的利润增长，并同时降低了负利润天数的风险。

Apr, 2024

将可再生资源、储能设备、电力市场、交易策略和电池储能系统作为关键词，研究了通过优化交易策略和量化预测来提高电力市场效率，同时评估了商业电池储能系统的经济可行性。

Jun, 2024

深度学习对电力价格产生影响，本研究探讨了预测误差如何传播到电力价格中，并揭示了拥挤电力系统中显著的定价误差及其空间差异。为了提高公平性，我们建议将电力市场结算优化嵌入深度学习层，通过这一层进行不同程度的预测和定价误差平衡，而不仅仅是最小化预测误差。该层能够隐含地优化公平性并控制系统中价格误差的空间分布。我们在风电预测和短期电力市场结算的交叉领域展示了价格感知的深度学习技术。

Aug, 2023

通过比较统计学、机器学习和深度学习模型在爱尔兰平衡市场上的表现，本研究发现短期电力市场和平衡市场是基本不同的构造，并提出了一种基于 LASSO 的 LEARN 模型，其在平衡市场上的预测表现优于更复杂和计算要求更高的方法。

Feb, 2024

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

本文通过引入一种新的方法来模拟未来几个月至三年的逐小时分辨率下的电力价格，使我们能够提供概率预测，甚至在长期内检测价格剧烈波动的概率，从而解决当前长期电力价格预测困难的问题。

Mar, 2017

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

我们首次提出了一项对德国连续日内市场上交易的电力价格进行贝叶斯预测的研究，该研究充分考虑了参数不确定性，并在后验预测分布方面给出了预测。我们使用 2022 年极其波动的电力价格进行验证，证明了在一些点度量和概率得分方面，相较于基于最后价格信息的基准模型，我们的预测模型有明显的改进。最后，我们通过提供强有力的统计证据挑战了在电力价格预测中使用 LASSO 进行特征选择的黄金标准，表明正交匹配追踪（OMP）在预测性能方面更佳。

Mar, 2024

本文提出了一种基于联合出价的优化策略，通过深度强化学习将风电场和 BESS 的竞价市场融合，有效缓解了风力抑制和电量储存的问题，并在实验中验证了该策略的可行性和优越性

Apr, 2023