基于强化学习的实时市场储能套利
系统与控制
2020-10-27 v3 机器学习
最优化与控制
摘要
在本文中，我们通过强化学习推导出一种用于储能的时序套利策略。实时电价套利是储能单元的重要收入来源，但由于价格的高度不确定性，设计良好的策略已被证明十分困难。与当前的模型预测或动态规划方法不同，我们使用强化学习来设计最优套利策略。该策略通过储能单元执行重复的充放电动作并更新价值矩阵来学习。我们设计了一种奖励函数，它不仅反映充放电决策的瞬时利润，还纳入了历史信息。仿真结果表明，与现有算法相比，我们设计的奖励函数带来了显著的性能提升。
引用
@article{arxiv.1711.03127,
title = {Energy Storage Arbitrage in Real-Time Markets via Reinforcement Learning},
author = {Hao Wang and Baosen Zhang},
journal= {arXiv preprint arXiv:1711.03127},
year = {2020}
}