基于前景理论启发与Q学习动态定价的自动化P2P能源交易
人工智能
2022-08-29 v1 机器学习
神经与进化计算
摘要
分布式能源的广泛采用以及智能电网技术的出现，使传统上被动的电力系统用户能够积极参与能源交易。鉴于传统集中式电网驱动的能源市场为这些用户提供的收益微乎其微，近期研究已转向去中心化点对点（P2P）能源市场。在这些市场中，用户彼此交易能源，比向电网买卖获得更高收益。然而，多数P2P能源交易研究在很大程度上忽视了交易过程中的用户感知，假设用户持续可用、参与且完全合规。因此，这些方法可能随时间导致负面态度与参与度下降。本文设计了一个考虑用户感知的自动化P2P能源市场。我们采用前景理论对用户感知建模，并构建优化框架以在匹配需求与发电的同时最大化买方感知。鉴于该优化问题的非线性和非凸性质，我们提出称为DEbATE的基于差分进化的能源交易算法。此外，我们引入一种风险敏感Q学习算法，称为带Q学习与风险敏感性的定价机制（PQR），其在考虑卖方感知效用的前提下学习最优价格。基于真实能耗与发电数据以及真实前景理论函数的结果表明，与近期一种SOTA方法相比，我们的方法为买方实现了高26%的感知价值，并为卖方多生成7%的奖励。
引用
@article{arxiv.2208.12777,
title = {Prospect Theory-inspired Automated P2P Energy Trading with Q-learning-based Dynamic Pricing},
author = {Ashutosh Timilsina and Simone Silvestri},
journal= {arXiv preprint arXiv:2208.12777},
year = {2022}
}