معرفي يك شبيه ساز عامل محور براي بازار برق

An Agent-based Electricity Market Simulator

در يك بازار برق واقعي، اطلاعات كاملي از رفتار رقبا در اختيار شركت كنندگان بازار قرار ندارد. بدين ترتيب شركت كنندگان بازار، تصميم گيري هاي خود را بر مبناي اطلاعات موجود از قيمت بازار در گذشته انجام مي دهند. در اين مقاله، يك شبيه ساز جديد براي بازارهاي همزمان انرژي و ذخيره چرخان ارائه مي گردد كه در آن فرآيند كسب تجربه و يادگيري شركت كنندگان بازار با استفاده از يك روش يادگيري تقويتي مدلسازي شده است. مهمترين خصيصه اين شبيه ساز، شبيه سازي يك بازار واقعي است كه در آن تصميم سازيهاي عاملان بازار در شرايط اطلاعات ناكامل انجام مي گيرد. با استفاده از اين شبيه ساز، قيمت تسويه بازار با توجه به رفتار قيمت دهي شركت كنندگان بازار در سطوح مختلف بار و/يا وقوع حوادث در شبكه محاسبه مي گردد. تحليل نتايج نشان مي دهد كه روش بكارگرفته شده، قابليت تطابق استراتژي قيمت دهي را با شرايط مختلف شبكه قدرت و بازار برق بخوبي دارا مي باشد.

In a real electricity market, complete information of rivals’ behavior is not available to market participants. Therefore, they make their bidding strategies based on the historical information of the market clearing price. In this paper, a new market simulator is introduced for a joint energy and spinning reserve market, in which market participants’ learning process is modeled using Qlearning algorithm. The main feature of this simulator is simulating a real market, in which market participants make decisions based on incomplete information of the market. Using the proposed simulator, the clearing price for each submarket is computed considering the participants’ behavior, under different load levels and/or contingency conditions. The results show that Qlearning approach can modify the agent’s strategy under different market situations.