دانلود ترجمه مقاله مدل کارگزاری مبتنی بر یادگیری ترکیبی برای تبادل استراتژیک توان در بازارهای شبکه هوشمند

1. مقدمه 2. پژوهش های مرتبط 3. تعاریف و طراحی چارچوب 4. طراحی مفصل سه ماژول 5. آزمایش 6. بحث و بررسی 7. نتیجه گیری

چکیده – بازارهای شبکه هوشمند، دینامیک و پیچیده بوده و کارگزاران به طور گسترده ای به دنبال مدیریت بهتر بازارها هستند. با این حال، کارگزاران با چالش های متعددی رویرو هستند از جمله تقاضای انرژی متغیر مصرف کنندگان، قیمت های در حال تغییر در بازارها، و رقابت بین یکدیگر. این مقاله یک مدل کارگزاری هوشمند مبتنی بر یادگیری ترکیبی ارائه داده (شامل یادگیری تقویتی، نظارتی و غیرنظارتی) که استراتژی های تبادل هوشمند را به منظور انطباق با دینامیک ها و پیچیدگی های بازارهای شبکه هوشمند ایجاد می کنند. مدل کارگزاری پیشنهادی شامل سه ماژول مرتبط می باشد. ماژول پیش بینی تقاضای مشتری، تقاضای کوتاه مدت مشتریان مختلف را با روش مبتنی بر داده ها پیش بینی می کند. ماژول بازار عمده فروشی، یک فرآیند تصمیم گیری مارکوف را برای مزایده توان یک روزه مبتنی بر تقاضای پیش بینی شده به کار می گیرد. ماژول بازار خرده فروشی، فرآیند یادگیری تقویتی مستقل را برای بهینه سازی قیمت ها برای انواع مختلف مشتریان به منظور رقابت با کارگزاران دیگر در بازارهای خرده فروشی معرفی می کند. ما مدل کارگزاری پیشنهادی را روی پلتفرم TAC توان ارزیابی کرده ایم. نتایج تجربی نشان می دهند که کارگزار ما نه تنها در زمینه سودآوری، رقابتی است بلکه تعادل عرضه و تقاضا را به خوبی حفظ می کند. علاوه بر این، ما دو قاعده تجربی را در محیط بازار توان رقابتی کشف کرده ایم که عبارتند از: 1. کم شدن حاشیه سود زمانی که رقابت شدیدی در بازارها در جریان است؛ 2. نرخ عدم تعادل تقاضای عرضه زمانی که محیط بازار شدیداً رقابتی است افزایش می یابد.

Smart Grid markets are dynamic and complex, and brokers are widely introduced to better manage the markets. However, brokers face great challenges, including the varying energy demands of consumers, the changing prices in the markets, and the competitions between each other. This paper proposes an intelligent broker model based on hybrid learning (including unsupervised, supervised and reinforcement learning), which generates smart trading strategies to adapt to the dynamics and complexity of Smart Grid markets. The proposed broker model comprises three interconnected modules. Customer demand prediction module predicts short-term demands of various consumers with a data-driven method. Whole- sale market module employs a Markov Decision Process for the one-day-ahead power auction based on the predicted demand. Retail market module introduces independent reinforcement learning processes to optimize prices for different types of consumers to compete with other brokers in the retail market. We evaluate the proposed broker model on Power TAC platform. The experimental results show that our broker is not only is competitive in making profit, but also maintains a good supply-demand balance. In addition, we also discover two empirical laws in the competitive power market environment, which are: 1. profit margin shrinks when there are fierce competitions in markets; 2. the imbalance rate of supply demand increases when the market environment is more competitive.