可迁移的储能投标者
机器学习
2023-06-02 v2 系统与控制
系统与控制
摘要
储能资源在参与电力批发市场时必须同时考虑价格不确定性及其物理运行特性。这是一个具有挑战性的问题，因为电价高度波动，且储能存在效率损失、功率与能量约束。本文提出了一种新颖、通用且可迁移的方法，将基于模型的优化与卷积长短期记忆网络相结合，使储能能够响应或投标于电力批发市场。我们使用纽约州的历史电价对所提方法进行了测试，结果表明其在价格响应和批发市场交易投标设置下，针对不同储能时长均达到了最先进（state-of-the-art）的结果，与完美预见情形相比实现了70%至近90%的利润率。我们还测试了一种迁移学习方法，即利用纽约数据预训练投标模型，并将其应用于澳大利亚昆士兰的套利。结果表明，迁移学习仅需少至三天的本地训练数据即可实现卓越的套利收益，在数据极度有限的场景下展现出相对于从头训练显著的优势。
引用
@article{arxiv.2301.01233,
title = {Transferable Energy Storage Bidder},
author = {Yousuf Baker and Ningkun Zheng and Bolun Xu},
journal= {arXiv preprint arXiv:2301.01233},
year = {2023}
}