論文の概要: Transferable Energy Storage Bidder

• arxiv url: http://arxiv.org/abs/2301.01233v1
• Date: Mon, 2 Jan 2023 01:04:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 15:32:05.060108
• Title: Transferable Energy Storage Bidder
• Title（参考訳）: 転送可能エネルギー貯蔵入札者
• Authors: Yousuf Baker, Ningkun Zheng, Bolun Xu
• Abstract要約: エネルギー貯蔵資源は、電力市場に参加する際に、価格の不確実性と、その物理的運用特性の両方を考慮する必要がある。 本稿では, モデルベース最適化と畳み込み長短期記憶ネットワークを組み合わせた, エネルギー貯蔵のための新しい, 汎用的, 転送可能なアプローチを提案する。 我々は、トレーニングされた入札モデルを新しい市場環境に適用するために、ConvLSTMネットワークに転送学習を適用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Energy storage resources must consider both price uncertainties and their physical operating characteristics when participating in wholesale electricity markets. This is a challenging problem as electricity prices are highly volatile, and energy storage has efficiency losses, power, and energy constraints. This paper presents a novel, versatile, and transferable approach combining model-based optimization with a convolutional long short-term memory network for energy storage to respond to or bid into wholesale electricity markets. We apply transfer learning to the ConvLSTM network to quickly adapt the trained bidding model to new market environments. We test our proposed approach using historical prices from New York State, showing it achieves state-of-the-art results, achieving between 70% to near 90% profit ratio compared to perfect foresight cases, in both price response and wholesale market bidding setting with various energy storage durations. We also test a transfer learning approach by pre-training the bidding model using New York data and applying it to arbitrage in Queensland, Australia. The result shows transfer learning achieves exceptional arbitrage profitability with as little as three days of local training data, demonstrating its significant advantage over training from scratch in scenarios with very limited data availability.
• Abstract（参考訳）: エネルギー貯蔵資源は、電力市場全体に参加する際に価格の不確実性と物理的な運用特性の両方を考慮する必要がある。 電力価格は不安定であり、エネルギー貯蔵は効率の損失、電力、エネルギーの制約があるため、これは難しい問題である。 本稿では,エネルギー貯蔵のための畳み込み型長期記憶ネットワークとモデルベース最適化を組み合わせることで,電力市場への応答や入札を可能とした,新しい,多用途で転送可能な手法を提案する。 convlstmネットワークに転送学習を適用し、トレーニングした入札モデルを新しい市場環境に迅速に適応させる。 提案手法をニューヨーク州の歴史的価格を用いて検証し, エネルギー貯蔵期間の異なる価格反応とホールセール市場での入札条件の両方において, 完全フォアテアケースと比較して70%から90%の利益率を達成した。 また,ニューヨークのデータを用いて入札モデルを事前学習し,オーストラリアのクイーンズランド州の仲裁に適用することで,転校学習アプローチをテストした。 その結果、トランスファーラーニングは3日間のローカルトレーニングデータで例外的な仲裁収益性を実現し、データの可用性が極めて制限されたシナリオにおいて、スクラッチからのトレーニングよりも大きな優位性を示している。

関連論文リスト

• Optimizing Quantile-based Trading Strategies in Electricity Arbitrage [0.0]
  本研究は、日頭取引と市場取引のバランスを最適化し、量的予測を活用することを目的としている。 調査の結果は、日頭市場とバランス市場の両方で同時参加する可能性を示している。 コストの増加と高額取引に伴う利益率の狭さにもかかわらず、高頻度戦略の実装は利益の最大化に重要な役割を果たしている。
  論文  参考訳（メタデータ） (2024-06-19T21:27:12Z)
• Temporal-Aware Deep Reinforcement Learning for Energy Storage Bidding in Energy and Contingency Reserve Markets [13.03742132147551]
  我々は、深層強化学習(DRL)を利用した新しいBESS共同入札戦略を開発し、そのスポットと同時周波数制御アシラリーサービス市場を入札する。 従来の「ブラックボックス」DRLモデルとは異なり、我々のアプローチはより解釈可能であり、BESSの時間入札行動に関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-02-29T12:41:54Z)
• A Bargaining-based Approach for Feature Trading in Vertical Federated Learning [54.51890573369637]
  本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。 当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
  論文  参考訳（メタデータ） (2024-02-23T10:21:07Z)
• High-dimensional Bid Learning for Energy Storage Bidding in Energy Markets [2.1053035142861423]
  NNEB(Neural Network Embedded Bids)と呼ばれる新しい入札表現手法を提案する。 本研究は,提案手法がベースラインよりも18%高い利益を達成し,最適市場入札者の78%の利益を得ることを示す。
  論文  参考訳（メタデータ） (2023-11-05T02:59:53Z)
• Energy Storage Price Arbitrage via Opportunity Value Function Prediction [1.8638865257327275]
  本稿では,教師付き学習と動的プログラミングを組み合わせた新しいエネルギー貯蔵価格仲裁アルゴリズムを提案する。 価格データと動的プログラミングアルゴリズムを用いて,歴史的最適機会値関数を生成する。 本手法は, ニューヨーク州のエネルギー貯蔵モデルと価格データを用いたケーススタディにおいて, 完全予測に比べて65%から90%の利益を達成している。
  論文  参考訳（メタデータ） (2022-11-14T23:31:11Z)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)
• Neural Fitted Q Iteration based Optimal Bidding Strategy in Real Time Reactive Power Market_1 [16.323822608442836]
  リアルタイム電気市場においては、入札中の世代企業の目標は利益を最大化することである。 ネットワーク電圧の動作条件がリアクティブ電力市場に影響を与えるため、リアクティブ電力市場での同様の研究はこれまでに報告されていません。 適切な確率分布関数の仮定は非現実的であり、アクティブパワーマーケットで採用される戦略は、リアクティブパワーマーケット機構における最適な入札の学習に適さない。
  論文  参考訳（メタデータ） (2021-01-07T09:44:00Z)
• Exploring market power using deep reinforcement learning for intelligent bidding strategies [69.3939291118954]
  キャパシティが1年の平均的な電力価格に影響を及ぼすことがわかりました。 $sim$25%と$sim$11%の値は、市場構造と国によって異なる可能性がある。 平均市場価格の約2倍の市場上限の使用は、この効果を著しく減少させ、競争力のある市場を維持する効果があることを観察する。
  論文  参考訳（メタデータ） (2020-11-08T21:07:42Z)
• Hybrid Modelling Approaches for Forecasting Energy Spot Prices in EPEC market [62.997667081978825]
  EPEC市場におけるエネルギースポット価格予測のためのハイブリッドモデリング手法について検討する。 データは2013-2014年の電力価格、2015年のテストデータで提供された。
  論文  参考訳（メタデータ） (2020-10-14T12:45:53Z)
• A Multi-Agent Deep Reinforcement Learning Approach for a Distributed Energy Marketplace in Smart Grids [58.666456917115056]
  本稿では,マイクログリッドを支配下に置くために,強化学習に基づくエネルギー市場を提案する。 提案する市場モデルにより,リアルタイムかつ需要に依存した動的価格設定環境が実現され,グリッドコストが低減され,消費者の経済的利益が向上する。
  論文  参考訳（メタデータ） (2020-09-23T02:17:51Z)
• A Deep Reinforcement Learning Framework for Continuous Intraday Market Bidding [69.37299910149981]
  再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。 欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。 本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。 その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
  論文  参考訳（メタデータ） (2020-04-13T13:50:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。