Geri Dön

Forecasting and reinforcement learning strategies for efficient energy exchange in peer-to-peer energy trading game among nano/microgrids: Empirical analysis

Nano/mikro şebekelerde eşler arası enerji ticaret oyunundaki etkili enerji ticareti için tahmin ve pekiştirmeli öğrenme stratejileri: Ampirik analiz

  1. Tez No: 831575
  2. Yazar: RABİA ŞEYMA GÜNEŞ
  3. Danışmanlar: PROF. DR. SEVGİ ÖZKAN YILDIRIM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Enerji, Energy
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Enformatik Enstitüsü
  11. Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Bilişim Sistemleri Bilim Dalı
  13. Sayfa Sayısı: 104

Özet

Dağıtık enerji sistemlerine dahil olan yeni teknolojiler şebekedeki talep ile üretim değişkenliğinin ve bu değişkenlikten doğan maliyetlerin yönetilmesine fırsat veren çözümler oluşturmuştur. Bu küçük şebekeler arasında üreten tüketicileri içeren ticaret, artık enerjinin birbirleri arasında satılmasına ve ihtiyaç duyulan enerjinin alınmasına olanak tanıyarak maliyetleri ve sistem kısıtlamalarını azaltmıştır. Bu ticaretin amacı, pek çok oyuncunun fayda sağlayacak şekilde, pekiştirmeli öğrenme yöntemlerinde bahsedilen ajanların oyunu olarak modellenmiştir. Her oyuncu, kendi elektrik talebini hem kendi iç kaynaklarından hem de diğer oyunculardan sağlamaktadır. Bu tezin amacı, bu oyunda her oyuncunun talebini maksimum fayda ile karşılayarak sistem kısıtlamalarına uymaktır. Bu çalışmada, oyuncular arasında çok kısa vadeli enerji ticaretini kolaylaştırmak için yeni bir Çoklu Ajan Pekiştirmeli Öğrenme modeli önerilmektedir. Tezin ana katkıları, çok kısa vadeli yük, üretim ve fiyat tahminlerini çerçeveye dahil ederek bireysel ajanların daha doğru kararlar almasını sağlamaktır. Önerilen modelin performansını değerlendirmek için çeşitli oyunculardan toplanan gerçek sistem verileri kullanılarak kapsamlı simülasyonlar yapılmıştır. Sonuçlar, çok kısa vadeli tahminlerin ajanların hızlı değişen koşullara uyum sağlama yeteneğini önemli ölçüde artırdığını, daha verimli ve istikrarlı enerji ticareti kararları alınmasını sağladığını göstermektedir. Çok kısa vadeli tahminlerin kullanımı, üreten tüketicilerin dinamik enerji piyasası koşullarına karşı bilinçli kararlar almasına olanak tanırken, aynı zamanda artan şebeke güvenilirliği, enerji verimliliği ve sürdürülebilirliğe katkıda bulunmaktadır.

Özet (Çeviri)

New technologies included in distributed energy systems have created solutions that allow the management of demand and generation variability in the electricity grid and the costs arising from this variability. Trade between these small grids has enabled the sale of excess energy between each other and the purchase of needed energy, thus reducing costs and system constraints. The purpose of this trade is modeled as a game of agents mentioned in reinforcement learning, enabling the creation of the market that offers those benefits from each peer. Each peer provides its electricity demand with both internal resources and other peers. The aim of this thesis is to comply with system constraints while providing the demand of each peer in this game aiming at maximum benefit. A novel Multi-Agent Reinforcement Learning model to facilitate very short-term energy trading among peers is suggested in this thesis. The key contributions of this thesis lie in incorporating very short-term load, generation, and price forecasts into the framework to enable more accurate decision-making by individual agents. To evaluate the performance of the proposed model, it is conducted extensive simulations using real-world data collected from various peers. The results compared with rule-based working agents. The experiment shows incorporating very short-term forecasts significantly enhances the ability of agents to adapt to rapidly changing conditions, thereby leading to more efficient and stable energy trading decisions. The use of very short-term forecasts empowers prosumers to make informed decisions in response to dynamic energy market conditions, ultimately contributing to increased grid reliability, energy efficiency, and sustainability.

Benzer Tezler

  1. Derin pekiştirmeli öğrenme yöntemi ile görüntü hash kodlarını oluşturma

    Generating image hash codes with deep reinforcement learning method

    ELİF AKKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURHAN BARAKLI

  2. Visual field testing using forecasting and virtual reality

    Öngörü ve sanal gerçeklik kullanılarak görme alanı testi

    EMRE BÜLBÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE AKAR

  3. Drought prediction based on meteorological data using ensemble machine learning techniques

    Topluluk tabanlı makine öğrenmesi teknikleri kullanılarak meteorolojik verilere dayalı kuraklık tahmini

    ERTUĞRUL ÖZÜPEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    MatematikGebze Teknik Üniversitesi

    Matematik Ana Bilim Dalı

    PROF. DR. NURİ ÇELİK

  4. Deep Q-Network based cryptocurrency investment strategies using transformer function approximator

    Transformer fonksiyon yaklaşımcısını kullanarak derin Q-Ağı tabanlı kripto para yatırım stratejileri

    TUNA ALAYGUT

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMRE SEFER

  5. Deep reinforcement learning approach for trading automation in the stock market

    Hisse senetlerinde işlem otomasyonu için derin güçlendirme öğrenme yaklaşımı

    TAYLAN KABBANİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin Üniversitesi

    Veri Bilimi Ana Bilim Dalı

    Prof. Dr. EKREM DUMAN