May, 2023

基于模仿学习的算法，用于在现代电力市场中实现先验知识转移，用于贝叶斯纳什均衡估计

PDF
TL;DR提出了一种 Bayesian Nash Equilibrium 策略来优化标的策略，利用 Bayes-adaptive Markov Decision Process in FEM（BAMDP-FEM）将先验知识考虑在内，同时使用 Multi-Agent Generative Adversarial Imitation Learning 算法（MAGAIL-FEM) 来进行多智能体学习和近似求解。在案例研究中，本文提出的算法相对于传统方法收敛速度更快，得到的 Nash 平衡更准确。
nash equilibriumelectricity marketsbayesian methodsmarkov decision processmulti-agent learning
发现论文，激发创造
  • 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

  • 能源市场中高维出价学习的能量储存出价

    该研究通过提出一种名为神经网络嵌入竞标的新的竞标表示方法，利用多维能源市场竞价最大化可盈利性，并通过实验验证了该方法相比基准模型获得了 18% 更高的利润，并且可达到最优市场竞标者利润的 78%。

    Nov, 2023

  • 动态定价中 n 人马尔可夫博弈的近似纳什均衡学习

    本文研究了具有竞争性的马尔可夫游戏中的 Nash 均衡学习，使用了一种新的无模型方法找到近似 Nash 均衡，其中策略 - ε 对应性和状态至 ε- 最小策略是用神经网络表示的。在动态价格领域，可以学习到近似的 Nash 均衡。

    Jul, 2022

  • 基于图卷积神经网络的多智能体强化学习：电力市场发电策略的最优化竞价策略

    本研究提出了一种基于 DRL 和 GCN 的分布式学习算法，使代理人能够通过从环境中获取反馈来改进投标策略并增加利润，同时将空间系统拓扑的信息输入到 GCN 中，帮助代理人了解系统结构并提高决策的准确性。在 IEEE 30-bus 系统和 IEEE 39-bus 系统的测试中表明该算法具有较好的泛化能力和更高的利润。

    Aug, 2022

  • 如何使用强化学习促进未来电力市场设计？第二部分：方法和应用

    使用基于强化学习（RL）的仿真，本文发展了一种范式化理论和详细方法，用于联合电力市场设计。案例研究说明了如何使用某些市场运营绩效指标选择最佳市场设计选项，并讨论了不同市场设计选项对市场参与者竞标策略偏好的影响。

    May, 2023

  • 基于前景理论的 Q 学习动态定价自动化 P2P 能源交易

    本文设计了一个自动化的 P2P 能源市场，通过应用展望理论模型用户客观感受和制定优化框架来最大化买家感知和满足需求与生产的匹配。提出基于微分进化的算法来交易能源，同时引入一种名为 PQR 的风险敏感 Q 学习算法来为卖家学习最优价格。实验结果表明我们的方法比最新技术的方法在买家感知价值方面达到 26％的提高，为卖家产生 7％的额外利益。

    Aug, 2022

  • 从批量数据学习一般和马尔可夫博弈的纳什均衡

    本文研究如何通过神经网络模型，在多人马尔可夫博弈中学习纳什均衡，解决了多人非零和博弈策略复杂难以获得的问题，并提出了新的图像质量度量方法。

    Jun, 2016

  • 公平感知元学习与纳什谈判

    为了解决机器学习中群体层面公平性的问题，我们提出了一个两阶段元学习框架，第一阶段使用纳什谈判解决超梯度冲突，将模型引导到帕累托前沿，第二阶段优化特定的公平目标。

    Jun, 2024

  • 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

  • 深度虚拟博弈对多智能体游戏中马尔科夫纳什均衡的寻找

    提出了一种基于深度神经网络的算法来识别一般大型 $N$ 人随机微分博弈的马尔可夫纳什均衡，该算法的核心思想是将 $N$ 人游戏重塑为 $N$ 个解耦决策问题，并通过迭代解决。

    Dec, 2019