Apr, 2024

两阶段市场中的能量储存套利：一种基于变压器的方法

PDF
TL;DR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。
发现论文，激发创造
  • 电力套利中基于分位数的交易策略优化

    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

  • 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

  • 使用 Transformer 遇到 wcDTW 以提高实时电池出价：一种新的情景选择方法

    我们引入了一种创新方法，将基于 Transformer 的预测与加权约束动态时间规整（wcDTW）相结合，以优化实时能源市场中随机电池竞标策略，并通过在 PJM 市场上进行的广泛模拟，展示了与传统方法相比，我们的方法可使收益增加 10％，突显其在实时市场中改变电池竞标策略的潜力。

    Apr, 2024

  • 能量存储系统套利的电价预测：一种以决策为中心的方法

    该论文提出了一种决策为中心的电价预测方法，旨在训练预测模型以减少决策错误并提高经济效益，该方法基于决策和预测错误提出了混合损失和相应的随机梯度下降学习方法。

    Apr, 2023

  • 用深度强化学习的最优储能调度方法降低风电弃风和实现能源套利

    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

  • 基于数据驱动的需求响应在线互动竞标策略

    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。

    Feb, 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

  • 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

  • 爱尔兰平衡市场的电力价格预测

    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

  • 注意力卷积深度强化学习在实时电力市场中优化太阳能储能系统

    该研究探讨了太阳能电池储能系统与经济潜力开发中的备用功能，通过模型建立了一个双重马尔可夫决策过程，应用了一种新型深度强化学习算法来提高收益优化和降低能源浪费。

    Jan, 2024