Aug, 2023

奶农中基于多智能体系统的点对点能源交易方法

PDF
TL;DR为了实现所需的碳排放减少，整合可再生能源发电和加快点对点能源交易的采用至关重要，尤其对于耗能大的农业如奶牛养殖。然而，整合可再生能源和点对点交易存在挑战。为了解决这个问题，我们提出了多智能体点对点奶牛养殖能源模拟器 (MAPDES)，使奶牛养殖场能够参与点对点市场。我们的策略能够将电力成本和峰值需求分别降低约 30% 和 24%，同时与无点对点交易的基准情景相比，能将能源销售量增加 37%。这证明了我们方法的有效性。
发现论文，激发创造
  • 基于强化学习的奶牛农场点对点能源交易

    农场企业正在采用可再生能源来提高能源效率，减少对化石燃料和电网的依赖。为了解决农场社区的动态性所带来的挑战，开发了多代理点对点奶牛场能源模拟器（MAPDES），提供了一个实验强化学习技术的平台。模拟结果显示，与缺乏点对点能源交易或可再生能源的基准方案相比，MAPDES 实现了显著的成本节约，包括电费减少 43%、峰值需求减少 42% 和能源销售增加 1.91%。

    May, 2024

  • 网络化多智能体强化学习用于点对点能源交易

    使用多智能体强化学习 (MARL) 框架，通过特定的供需比例 P2P 结算机制，自动化处理消费者的太阳能光伏和能源储存资源的竞价和管理，以及实现电压控制，确保 P2P 能源交易的物理可行性，并为实际应用铺平道路。

    Jan, 2024

  • 运用基于代理的建模方法对爱尔兰奶牛农场的电力消耗进行建模

    提出了一种代理模型来模拟爱尔兰奶牛场的用电量消耗，并验证了其准确性，该模型考虑了奶牛场的多种因素，如养殖规模、挤奶机台数和时间等。该模型的可解释性较高，相对于其他人工智能技术（如深度学习）具有优势。

    Aug, 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

  • 使用强化学习的 P2P 能源系统能源定价

    该研究介绍了一种基于强化学习框架的价格优化方法，以帮助解决分布式可再生能源和能源消费带来的价格不确定性问题，实现点对点微电网的实际部署。实验结果表明：该框架可灵活应对微电网各个组成部分的利益，对消费者和多余发电者的数量比例也有所考虑，并且能够在不同的电池容量情况下实现系统的利润最大化。

    Oct, 2022

  • 基于近端策略优化的深度强化学习在奶牛养殖中的电池管理方法

    通过最大化利用可再生能源并应用深度强化学习算法（DRL）的近端政策优化（PPO）方法，研究提高电力效率、减少环境影响，从而提高奶牛养殖中的能源管理和可持续性。实证结果表明，相较于 Q 学习算法，PPO 方法可以减少 1.62% 的电力从电网进口，显著提高了奶牛养殖中的能源效率和可持续性。

    Jul, 2024

  • 使用享乐博弈的 P2P 能源交易中的社会因素

    研究通过使用创新性的享乐博弈模型，考虑社交关系，形成能源联盟并促进联盟成员之间的能源交易。通过在基于区块链的点对点能源灵活性市场应用该模型，提高了市场交易量，并实现了能源需求与供应的平衡。

    Sep, 2023

  • 基于强化学习的奶牛场蓄电池管理的 Q 学习方法

    通过采用基于 Q 学习的算法，将可再生能源集成到奶牛养殖中，能够有效降低奶牛养殖对电网进口电力的成本，减少峰值需求，并且在利用风力发电时可获得更好的效果。

    Mar, 2024

  • 一种新型的多智能体灵活性聚合框架

    本文提出了一种新的分布式能源聚合框架，其中包括多智能体架构和各种机制，用于有效管理和高效整合 Smart Grid 中的分布式能源，特别是当使用 CRPS 评分规则作为选择机制时，在与传统商业聚合器比较时，我们的框架导致参与者的平均支付增加。

    Jul, 2023

  • 隐私友好的点对点能源交易：一种博弈论方法

    本文提出了一种基于博弈论（具体而言是斯塔克伯格博弈）的去中心化、隐私友好型的能源交易平台（PFET），通过同态加密方式加密买方、卖方的敏感信息，保护隐私，实现了竞争的市场，使价格和需求根据竞争情况决定，计算过程不依赖于可信第三方，并且通过隐私分析和性能评估展示 PFET 有效保护了用户隐私。

    Jan, 2022