Optimale Gebotsabgabe von BESS im FCAS-Markt mit Unterstützung durch große Sprachmodelle: Ein KI-Agenten-basierter Ansatz

Um flexible Ressourcen wie Batteriespeichersysteme (BESS) zu ermutigen, Frequenzkontrollnebenleistungen (FCAS) anzubieten, hat Australiens National Electricity Market (NEM) in den letzten Jahren Änderungen zu kürzeren Bietregeln und schnelleren Serviceanforderungen umgesetzt. Allerdings übersehen oder vereinfachen bestehende Optimierungsmethoden für Gebote oft die Schlüsselaspekte der FCAS-Marktabwicklung, was zu einer ungenauen Darstellung des Gebotsprozesses im Markt führt. Daher wird das BESS-Gebotsproblem auf Basis der tatsächlichen Gebotsaufzeichnungen und der neuesten Marktspezifikationen modelliert und dann als ein Problem des tiefen Verstärkungslernens (DRL) formuliert. Darüber hinaus erhöhen die unberechenbaren Entscheidungen des DRL-Agenten, die durch ungenau vorhergesagte Marktinformationen verursacht werden, das Risiko von Gewinnverlusten. Daher wird ein auf dem Conditional Value at Risk (CVaR) basierender DRL-Algorithmus entwickelt, um die Risikoresilienz der Gebotsstrategien zu erhöhen. Drittens haben gut trainierte DRL-Modelle während der Online-Betriebsabläufe immer noch mit Leistungsabfällen in unüblichen Szenarien zu kämpfen. Daher wird ein interaktives Entscheidungsrahmenwerk für künstliche Intelligenz (KI)-Agenten, unterstützt durch große Sprachmodelle (LLMs), vorgeschlagen, um die Aktualität, Zuverlässigkeit und Interpretierbarkeit der Strategie in unsicheren neuen Szenarien zu verbessern, wobei bedingte hybride Entscheidungen und Selbstreflexionsmechanismen entworfen werden, um die Halluzinationsherausforderung von LLMs anzugehen. Die Ergebnisse der Experimente zeigen, dass unser vorgeschlagenes Rahmenwerk eine höhere Gebotsrentabilität im Vergleich zu den Basisverfahren aufweist, indem es effektiv den Gewinnverlust aufgrund verschiedener Unsicherheiten mildert.