論文の概要: High-dimensional Bid Learning for Energy Storage Bidding in Energy Markets

• arxiv url: http://arxiv.org/abs/2311.02551v1
• Date: Sun, 5 Nov 2023 02:59:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-07 17:05:41.912278
• Title: High-dimensional Bid Learning for Energy Storage Bidding in Energy Markets
• Title（参考訳）: エネルギー市場におけるエネルギー貯蔵入札のための高次元バイドラーニング
• Authors: Jinyu Liu, Hongye Guo, Qinghu Tang, En Lu, Qiuna Cai, Qixin Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.1053035142861423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the growing penetration of renewable energy resource, electricity market prices have exhibited greater volatility. Therefore, it is important for Energy Storage Systems(ESSs) to leverage the multidimensional nature of energy market bids to maximize profitability. However, current learning methods cannot fully utilize the high-dimensional price-quantity bids in the energy markets. To address this challenge, we modify the common reinforcement learning(RL) process by proposing a new bid representation method called Neural Network Embedded Bids (NNEBs). NNEBs refer to market bids that are represented by monotonic neural networks with discrete outputs. To achieve effective learning of NNEBs, we first learn a neural network as a strategic mapping from the market price to ESS power output with RL. Then, we re-train the network with two training modifications to make the network output monotonic and discrete. Finally, the neural network is equivalently converted into a high-dimensional bid for bidding. We conducted experiments over real-world market datasets. Our studies show that the proposed method achieves 18% higher profit than the baseline and up to 78% profit of the optimal market bidder.
• Abstract（参考訳）: 再生可能エネルギー資源の普及に伴い、電力市場価格のボラティリティは高まっている。 したがって、エネルギー貯蔵システム(ESS)は、エネルギー市場入札の多次元的性質を活用して利益を最大化することが重要である。 しかし、現在の学習方法は、エネルギー市場における高次元価格の入札を十分に活用できない。 この課題に対処するために,ニューラルネットワーク組込み入札(nnebs)と呼ばれる新しい入札表現手法を提案することで,共通強化学習(rl)プロセスを変更する。 NNEBは、離散出力を持つ単調ニューラルネットワークで表される市場入札を指す。 NNEBを効果的に学習するために、まず、市場価格からRLによるESS電力出力への戦略的マッピングとしてニューラルネットワークを学習する。 次に、ネットワークを2つのトレーニング修正で再訓練し、ネットワーク出力を単調かつ離散的にする。 最後に、ニューラルネットワークは等価に入札のための高次元入札に変換される。 実世界の市場データセットを用いて実験を行った。 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。

関連論文リスト

• Reinforcement Learning Based Bidding Framework with High-dimensional Bids in Power Markets [3.8066343577384796]
  本稿では,RLに基づく入札手法にHDBを完全に活用するフレームワークを提案する。 まず、ニューラルネットワークサプライ関数(NNSF)と呼ばれる特殊なタイプのニューラルネットワークを用いて、Nのプライスパワーペアという形でHDBを生成する。 次に、NNSFをマルコフ決定プロセス(MDP)に埋め込んで、既存のRLメソッドと互換性を持たせる。
  論文  参考訳（メタデータ） (2024-10-15T01:39:28Z)
• Towards Certified Unlearning for Deep Neural Networks [50.816473152067104]
  認定されていない未学習は、凸機械学習モデルで広く研究されている。 認定アンラーニングとディープニューラルネットワーク(DNN)のギャップを埋める手法をいくつか提案する。
  論文  参考訳（メタデータ） (2024-08-01T21:22:10Z)
• 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)
• Exploring the Privacy-Energy Consumption Tradeoff for Split Federated Learning [51.02352381270177]
  Split Federated Learning (SFL)は、最近、有望な分散学習技術として登場した。 SFLにおけるカット層の選択は、クライアントのエネルギー消費とプライバシに大きな影響を与える可能性がある。 本稿では、SFLプロセスの概要を概観し、エネルギー消費とプライバシを徹底的に分析する。
  論文  参考訳（メタデータ） (2023-11-15T23:23:42Z)
• Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
  本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。 シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。 ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
  論文  参考訳（メタデータ） (2023-10-02T12:33:28Z)
• Transferable Energy Storage Bidder [0.0]
  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。 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,現状の成果が得られたことを示す。 また、我々は、ニューヨークのデータを用いて入札モデルを事前訓練し、オーストラリアのクイーンズランド州で仲裁に応用することで、移行学習アプローチをテストする。
  論文  参考訳（メタデータ） (2023-01-02T01:04:02Z)
• Proximal Policy Optimization Based Reinforcement Learning for Joint Bidding in Energy and Frequency Regulation Markets [6.175137568373435]
  エネルギー仲裁はバッテリエネルギー貯蔵システム(BESS)にとって重要な収入源となる。 BESSは、不確実な市場条件下での総利益を最大化するために、各市場にどの程度の能力を割り当てるかを慎重に決定することが不可欠である。 本稿では,BESSの入札問題をマルコフ決定プロセスとして定式化し,BESSがスポット市場とFCAS市場の両方に参加して利益を最大化できるようにする。
  論文  参考訳（メタデータ） (2022-12-13T13:07:31Z)
• Graph Neural Networks for Learning Real-Time Prices in Electricity Market [21.402299307739558]
  OPFの解決から電力市場価格を予測するための新しいグラフニューラルネットワーク(GNN)フレームワークを提案する。 提案するGNN-for-OPFフレームワークは、価格の局所性を革新的に活用し、物理対応の正規化を導入する。 従来の手法に比べて,提案手法の学習効率と適応性の向上が検証された。
  論文  参考訳（メタデータ） (2021-06-19T16:34:56Z)
• 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)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)
• 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。