Agentenbasierte Modellierung von Einzelhandelsstrommärkten mit nachfragestützten Reaktionen

In diesem Papier untersuchen wir das Verhalten eines Day-Ahead (DA) Einzelhandelsstrommarktes mit preisgestützten Nachfragereaktionen von Klimaanlagen (AC)-Lasten durch einen hierarchischen Multiagenten-Rahmen unter Verwendung eines maschinellen Lernansatzes. Auf der höchsten Ebene der Hierarchie kauft ein Einzelhändler-Agent Energie vom DA-Großhandelsmarkt und verkauft sie an die Verbraucher. Das Ziel des Einzelhändler-Agenten besteht darin, seinen Gewinn zu maximieren, indem er die optimalen Einzelhandelspreise festlegt und die Reaktion der preissensiblen Lasten berücksichtigt. Nach Erhalt der Einzelhandelspreise setzen die AC-Agenten auf der unteren Ebene der Hierarchie einen Q-Learning-Algorithmus ein, um ihre Verbrauchsmuster durch Anpassung der Temperatureinstellungen der Geräte zu optimieren, wobei sowohl die Verbrauchskosten als auch die Komfortpräferenzen der Nutzer berücksichtigt werden. Da der Einzelhändler-Agent keinen direkten Zugang zu den zugrunde liegenden Dynamiken und Entscheidungsprozessen der AC-Lasten hat (d.h. unvollständige Informationen) wird die Datenprivatsphäre der Verbraucher zu einer Quelle der Unsicherheit im Entscheidungsmodell des Einzelhändler. Der Einzelhändler verlässt sich auf Techniken aus dem Bereich des maschinellen Lernens, um ein zuverlässiges Modell des aggregierten Verhaltens der preissensiblen Lasten zu entwickeln, um die Unsicherheit im Entscheidungsprozess zu verringern. Daher ermöglicht ein auf maschinellem Lernen basierender Multiagenten-Rahmen die Lösung von Problemen wie Interoperabilität und Entscheidungsfindung unter unvollständigen Informationen in einem System, das die Datenprivatsphäre der Verbraucher wahrt. Wir werden zeigen, dass mit dem vorgeschlagenen Modell alle Agenten in der Lage sind, ihr Verhalten gleichzeitig zu optimieren. Simulationsergebnisse zeigen, dass der vorgeschlagene Ansatz zu einer Reduzierung der Gesamtkosten für den Stromverbrauch führt, da das System seinem Gleichgewicht zustrebt. Dies fällt auch mit der Maximierung des Gewinns des Einzelhändlers zusammen. Wir werden auch zeigen, dass dieselbe Entscheidungsarchitektur verwendet werden kann, um Lastspitzen zu reduzieren, um Verteilungsnetzupgrades unter hoher Durchdringung von Photovoltaikstrom im Verteilungsnetz zu verschieben/zu vermeiden.