Jun, 2024

电力套利中基于分位数的交易策略优化

PDF
TL;DR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。
renewable resourcesstorage deviceselectricity marketstrading strategybattery storage systems
发现论文，激发创造
  • 两阶段市场中的能量储存套利：一种基于变压器的方法

    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

  • 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

  • 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

  • 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

  • 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

  • 基于分布式强化学习的能量套利策略在电力结算机制中的应用

    基于分布式加强学习的电池控制框架可通过能源套利实现系统平衡，并通过风险敏感视角优化套利利润和风险度量之和，同时限制电池的日循环次数。比利时 2022 年的不平衡价格表明分布式软演员 - 评论家方法能够超越其他方法，而我们的全程风险规避代理人能够在价格更加确定时合适地通过 (放 / 充) 电池对未知的不平衡价格进行对冲。

    Dec, 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

  • 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

  • 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