دانلود ترجمه مقاله رقابت، ریسک و یادگیری در بازارهای برق

1. مقدمه 2. بررسی مقالات 3. مدلی با GenCo دارای ریسک خنثی 4. شبیه سازی در GenCo دارای ریسک خنثی 5. مدلی با GenCo ریسک پذیر 6. شبیه سازی در GenCo ریسک پذیر 7. تأثیرات پارامترهای یادگیری Q 8. بحث و بررسی 9. نتیجه گیری

چکیده – این مقاله تأثیرات یادگیری و ریسک پذیری روی رفتارهای مالی شرکت های تولیدی (GenCo) در بازار برق را مورد مطالعه و بررسی قرار داده است. بدین منظور، یک مدل شبیه سازی مبتنی بر عامل انعطاف پذیر ارائه شده که در آن عامل های GenCo قیمت ها را در هر دوره تعیین می کنند. با در نظر گرفتن محدودیت های شبکه انتقال، ISO مسائل DC-OPC را به منظور تعیین قیمت های محلی و مقادیر انتقال حل کرده است. شبیه سازی های ما نشان می دهند که تغییرات ناشی از رقابت و یادگیری در سطح ریسک پذیری هر GenCo چگونه می توانند تأثیر قابل توجهی روی همه مزایای GenCo داشته باشند. به طور خاص، به نظر می رسد که برخی سطوح ریسک پذیری برای GenCo مفید باشند در حالی که ریسک پذیری می تواند مزایا را به دلیل رقابت شدید قیمت ها کاهش دهد. مطالعه جامع ما روی تأثیرات پارامترهای یادگیری Q دریافته که سطوح بمورد نظر دارای تأثیرات زیادی روی خروجی ها هستند. نتایج این مقاله می تواند به توسعه استراتژی های GenCo کمک کرده و رفتار یادگیری آنها و سطوح ریسک پذیری را در نظر بگیرد. به همین ترتیب، این نتایج می توانند به تنظیم کنندگان در طراحی قوانین بازاری و رفتار واقعی GenCo کمک کنند.

This paper studies the effects of learning and risk aversion on generation company (GenCo) bidding behavior in an oligopolistic electricity market. To this end, a flexible agent-based simulation model is developed in which GenCo agents bid prices in each period. Taking transmission grid constraints into account, the ISO solves a DC-OPF problem to determine locational prices and dispatch quantities. Our simulations show how, due to competition and learning, the change in the risk aversion level of even one GenCo can have a significant impact on all GenCo bids and profits. In particular, some level of risk aversion is observed to be beneficial to GenCos, whereas excessive risk aversion degrades profits by causing intense price competition. Our comprehensive study on the effects of Q-learning parameters finds the level of exploration to have a large impact on the outcome. The results of this paper can help GenCos develop bidding strategies that consider their rivals’ as well as their own learning behavior and risk aversion levels. Likewise, the results can help regulators in designing market rules that take realistic GenCo behavior into account.