带预测的在线搜索：帕累托最优算法及其在能源市场中的应用

本文针对波动电力市场中的能源交易开发了学习增强算法。基本问题是在不确定的时变价格下出售（或购买）$k$ 单位能源以获得最高收益（最低成本），该问题在竞争分析文献中可表述为经典的在线搜索问题。现有最先进算法在每个时隙做出交易决策时假设不知晓未来市场价格，旨在保证最坏情况价格序列下的性能。然而在实践中，通过机器学习常可获得对未来价格的预测。本文旨在结合机器学习预测来设计在线搜索问题的竞争算法。我们算法的一个重要特性是：当预测准确时，其性能可与事后离线算法竞争（即一致性），而当预测任意错误时也能提供最坏情况保证（即鲁棒性）。所提算法在一致性与鲁棒性之间实现了帕累托最优权衡，即其他任何在线搜索算法都无法在给定鲁棒性下改善一致性。此外，我们将基本在线搜索问题推广到更一般的库存管理设定，以刻画电力市场中储能辅助的能源交易。在真实应用轨迹的实证评估中，我们的学习增强算法相比基准算法提升了平均实证性能，同时也提供了改进的最坏情况性能。