【标题】Multi-agent deep reinforcement learning for efficient multi-timescale bidding of a hybrid power plant in day-ahead and real-time markets

【作者团队】Tomás Ochoa, Esteban Gil, Alejandro Angulo, Carlos Valle

【发表日期】2022.4.28

【论文链接】https://www.sciencedirect.com/science/article/pii/S0306261922004603#!

【推荐理由】本研究涉及通过提供能源和辅助服务 (AS) 产品参与多时间尺度电力市场的有效投标。能源管理系统 (EMS) 通过在日前和实时市场中有效投标，最大限度地提高工厂的利润。EMS 的投标决策通常来自传统的数学优化框架。然而，由于此问题是一个多阶段随机程序，解决困难并且遭受维度灾难的问题。本文提出了一种新颖的多智能体深度强化学习 (MADRL) 框架，用于高效的多时间尺度投标。两个基于具有循环层的多视图人工神经网络 (MVANN) 的智能体被调整以将环境观察映射到动作。此类映射使用与电力市场产品、投标决策、太阳能发电、储能和在两个电力市场投标的时间表示相关的可用信息作为输入。具有有限时间范围的共享累积奖励函数用于在学习阶段同时调整两个 MVANN 的权重。

内容中包含的图片若涉及版权问题，请及时与我们联系删除