論文の概要: Deep Reinforcement Learning-Based Bidding Strategies for Prosumers Trading in Double Auction-Based Transactive Energy Market

• arxiv url: http://arxiv.org/abs/2502.15774v1
• Date: Sun, 16 Feb 2025 21:38:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 02:51:26.425481
• Title: Deep Reinforcement Learning-Based Bidding Strategies for Prosumers Trading in Double Auction-Based Transactive Energy Market
• Title（参考訳）: 深層強化学習に基づく複競売型トランスアクティブエネルギー市場における売主取引の入札戦略
• Authors: Jun Jiang, Yuanliang Li, Luyang Hou, Mohsen Ghafouri, Peng Zhang, Jun Yan, Yuhong Liu,
• Abstract要約: コミュニティベースのダブルオークション市場は、消費者が社会福祉への参加と最大化を奨励する有望なTEMと見なされている。 本研究では,複数のDERを具備したTEMを用いて,エネルギー取引を透過的かつ効率的に管理する方式を提案する。 また、市場環境のスケーラビリティとプライバシを確保するために、分散学習と実行を伴う深層強化学習(DRL)モデルを提案する。
• 参考スコア（独自算出の注目度）: 10.071307102216371
• License:
• Abstract: With the large number of prosumers deploying distributed energy resources (DERs), integrating these prosumers into a transactive energy market (TEM) is a trend for the future smart grid. A community-based double auction market is considered a promising TEM that can encourage prosumers to participate and maximize social welfare. However, the traditional TEM is challenging to model explicitly due to the random bidding behavior of prosumers and uncertainties caused by the energy operation of DERs. Furthermore, although reinforcement learning algorithms provide a model-free solution to optimize prosumers' bidding strategies, their use in TEM is still challenging due to their scalability, stability, and privacy protection limitations. To address the above challenges, in this study, we design a double auction-based TEM with multiple DERs-equipped prosumers to transparently and efficiently manage energy transactions. We also propose a deep reinforcement learning (DRL) model with distributed learning and execution to ensure the scalability and privacy of the market environment. Additionally, the design of two bidding actions (i.e., bidding price and quantity) optimizes the bidding strategies for prosumers. Simulation results show that (1) the designed TEM and DRL model are robust; (2) the proposed DRL model effectively balances the energy payment and comfort satisfaction for prosumers and outperforms the state-of-the-art methods in optimizing the bidding strategies.
• Abstract（参考訳）: 分散型エネルギー資源(DER)をデプロイするプロシューマーが多数存在することから、これらのプロシューマーをTEM(Transactive Energy Market)に統合することは、将来のスマートグリッドのトレンドである。 コミュニティベースのダブルオークション市場は、消費者が社会福祉への参加と最大化を奨励する有望なTEMと見なされている。 しかし、従来のTEMは、プロシューマーのランダムな入札行動と、DERのエネルギー操作に起因する不確実性のために、明確にモデル化することは困難である。 さらに、強化学習アルゴリズムは、プロデューサの入札戦略を最適化するためのモデルなしのソリューションを提供するが、スケーラビリティ、安定性、プライバシ保護の制限のため、TEMでの使用は依然として困難である。 上記の課題に対処するため,本稿では,複数のDERを具備した2重オークション型TEMを設計し,エネルギー取引を透過的かつ効率的に管理する。 また、市場環境のスケーラビリティとプライバシを確保するために、分散学習と実行を伴う深層強化学習(DRL)モデルを提案する。 さらに、2つの入札行動(すなわち入札価格と金額)の設計は、消費者の入札戦略を最適化する。 シミュレーションの結果,(1)設計したTEMモデルとDRLモデルは堅牢であり,(2)提案したDRLモデルは,プロシューマーのエネルギー支払いと快適な満足度を効果的にバランスさせ,入札戦略の最適化において最先端の手法よりも優れていた。

関連論文リスト

• Vision-Language Navigation with Energy-Based Policy [66.04379819772764]
  視覚言語ナビゲーション(VLN)は、人間の指示に従って行動を実行するエージェントを必要とする。 共同状態-行動分布をモデル化するためのエネルギーベースナビゲーションポリシー(ENP)を提案する。 ENPはR2R、REVERIE、RxR、R2R-CEで有望なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-18T08:01:36Z)
• 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)
• CompeteSMoE -- Effective Training of Sparse Mixture of Experts via Competition [52.2034494666179]
  スパース・ミックス・オブ・エキスパート(SMoE)は、ネットワークの深さや幅を増大させる平均を超えた、モデルの複雑さをスケールアップする魅力的なソリューションを提供する。 本稿では,この表現崩壊の根本的な課題に対処する競合機構を提案する。 入力を最も高い神経応答を持つ専門家にのみルーティングすることにより、コンペティションが最適推定器と同じ収束率を持つことを示す。
  論文  参考訳（メタデータ） (2024-02-04T15:17:09Z)
• Interpretable Deep Reinforcement Learning for Optimizing Heterogeneous Energy Storage Systems [11.03157076666012]
  エネルギー貯蔵システム(ESS)はエネルギー市場において重要な要素であり、エネルギー供給者と消費者の両方に役立っている。 エネルギー市場におけるESSの柔軟性を高めるために、異種太陽光発電(PV-ESS)を提案する。 我々は、現実のシナリオを反映して、劣化、資本、運用・保守コストを考慮した包括的コスト関数を開発する。
  論文  参考訳（メタデータ） (2023-10-20T02:26:17Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• Prospect Theory-inspired Automated P2P Energy Trading with Q-learning-based Dynamic Pricing [2.2463154358632473]
  本稿では,ユーザの認識を考慮に入れたP2P自動エネルギー市場を設計する。 本稿では,Q-bプライシングとリスクセンシティブ(PQR)という,リスクに敏感なQ-ラーニング機構を導入する。 エネルギー消費と生産の実際の痕跡と現実的な予測理論関数に基づく結果から,提案手法は購入者にとって26%高い評価値が得られることが示された。
  論文  参考訳（メタデータ） (2022-08-26T16:45:40Z)
• Data-Driven Online Interactive Bidding Strategy for Demand Response [0.30586855806896046]
  需要応答(DR)は、ピークシェービングのサービスを提供し、短い応答期間と低コストで再生可能エネルギー利用の効率を高める。 自動DR、インセンティブDR、緊急DR、需要入札など、さまざまなカテゴリーのDRが確立されている。 本稿では,スマートメーターデータと関数を併用した入札・購買戦略について検討する。 その結果, 多様な状況に直面した場合, 提案モデルでは, 入札ルールをオフラインで学習し, 適切な入札を行うことにより, 最適利益を得ることができることがわかった。
  論文  参考訳（メタデータ） (2022-02-09T02:44:20Z)
• Improving Robustness of Reinforcement Learning for Power System Control with Adversarial Training [71.7750435554693]
  電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。 具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。 本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
  論文  参考訳（メタデータ） (2021-10-18T00:50:34Z)
• A Learning-based Optimal Market Bidding Strategy for Price-Maker Energy Storage [3.0839245814393728]
  モデルベースコントローラを用いたオンラインスーパーバイザード・アクター・クリティカル (SAC) アルゴリズム-モデル予測制御 (MPC) を実装した。 エネルギー貯蔵剤は、市場浄化価格への影響を学習し、調整しながら最適な入札を行うように、このアルゴリズムを用いて訓練される。 私たちのコントリビューションは、オンラインで安全なSACアルゴリズムであり、現在のモデルベースの現状よりも優れています。
  論文  参考訳（メタデータ） (2021-06-04T10:22:58Z)
• Demand Responsive Dynamic Pricing Framework for Prosumer Dominated Microgrids using Multiagent Reinforcement Learning [59.28219519916883]
  本稿では,実時間価格(RTP)DR技術を実装したマルチエージェント強化学習に基づく意思決定環境を提案する。 提案手法は,従来のDR法に共通するいくつかの欠点に対処し,グリッド演算子とプロシューマーに大きな経済的利益をもたらす。
  論文  参考訳（メタデータ） (2020-09-23T01:44:57Z)
• 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。