基于深度强化学习的天然气储存建模
机器学习
2025-11-05 v1 人工智能
计算工程、金融与科学
系统与控制
综合经济学
系统与控制
经济学
摘要
我们引入 GasRL，一个模拟器，耦合了校准的天然气市场表征与通过深度强化学习（RL）训练的储运商政策。我们利用它分析最优库存管理如何影响均衡价格以及需求与供给的动态。我们测试了各种 RL 算法，发现软行为者评估（Soft Actor Critic, SAC）在 GasRL 环境中表现优异：包括盈利性、鲁棒市场清算和价格稳定等多个储运商目标均成功实现。此外，SAC 导出的最优政策引发的均衡价格动态具有波动性和季节性特征，与真实世界价格的特征高度一致。值得注意的是，尽管未对价格数据进行显式校准，此模型仍能遵循历史价格分布。我们展示了该模拟器如何用于评估欧盟最低储存阈值要求的效果。我们发现，此类阈值对市场在不可预见的供给冲击分布变化下具有积极的韧性作用。例如，在异常大的冲击下，如果存在阈值，市场冲击更可能被避免。
引用
@article{arxiv.2511.02646,
title = {Natural-gas storage modelling by deep reinforcement learning},
author = {Tiziano Balaconi and Aldo Glielmo and Marco Taboga},
journal= {arXiv preprint arXiv:2511.02646},
year = {2025}
}
备注
8 pages, 5 figures, published on