基于强化学习的日间能源市场出价策略优化
最优化与控制
2024-11-26 v1
摘要
在日间市场中，能源买家和卖家提交其对特定未来时间的出价，包括希望买入或出价的能源量以及他们愿意支付或收到的价格。然而，由出价机制决定的市场清算价格 (MCP) 的动态机制在能源市场建模的文献中常被忽视。预测模型通常专注于预测 MCP，而非尝试为给定价格情景构建最优的供需曲线。遵循这一方法，本文聚焦于通过单一代理强化学习算法（具体为深度确定性策略梯度）开发一个在连续动作空间中的卖家出价策略。该算法根据过去数据（状态）控制报价曲线（动作），以优化未来收益（奖励）。该参与者可获取生产成本、容量和 various 能源来源（包括可再生能源和化石能源）的历史价格数据。该参与者能够随着时间推移在市场中获得更高的效率，以实现个人收益最大化。
引用
@article{arxiv.2411.16519,
title = {Reinforcement Learning for Bidding Strategy Optimization in Day-Ahead Energy Market},
author = {Luca Di Persio and Matteo Garbelli and Luca M. Giordano},
journal= {arXiv preprint arXiv:2411.16519},
year = {2024}
}