[논문 리뷰] Machine learning applications for electricity market agent-based models: A systematic literature review

Alexander Kell, A. Stephen McGough외 1명|arXiv (Cornell University)|2022. 06. 05.

Electric Power System Optimization인용 수 6

한 줄 요약

이 체계적 문헌 리뷰는 2016–2021년 사이에 출판된 기계학습(ML) 응용에 관한 55篇의 논문을 분석하여 전력시장에서 에이전트기반모델(ABMs)에 적용된 기계학습(ML)의 응용을 다룹니다. 강화학습를 활용한 입찰 전략에 대한 집중적 연구가 두드러지며, 지역 시장, 탄소 배출 예측, 시스템 수준 최적화 등 아직 탐색되지 않은 분야가 존재함을 밝혀내며, 이러한 장기꼬리 영역에서 높은 영향력을 가질 잠재적 연구 기회를 제안합니다.

ABSTRACT

The electricity market has a vital role to play in the decarbonisation of the energy system. However, the electricity market is made up of many different variables and data inputs. These variables and data inputs behave in sometimes unpredictable ways which can not be predicted a-priori. It has therefore been suggested that agent-based simulations are used to better understand the dynamics of the electricity market. Agent-based models provide the opportunity to integrate machine learning and artificial intelligence to add intelligence, make better forecasts and control the power market in better and more efficient ways. In this systematic literature review, we review 55 papers published between 2016 and 2021 which focus on machine learning applied to agent-based electricity market models. We find that research clusters around popular topics, such as bidding strategies. However, there exists a long-tail of different research applications that could benefit from the high intensity research from the more investigated applications.

연구 동기 및 목표

• 기계학습(ML) 및 인공지능(AI)의 응용 영역을 전력시장의 에이전트기반모델(ABMs) 내에서 분류하고 지ap을 맵핑하는 것.
• 전력시장 시뮬레이션을 위한 ML-ABM 통합에서 지배적인 연구 주제, 기술, 알고리즘 선호도를 규명하는 것.
• 현재 문헌에서 간과된 연구 분야를 밝히고, 에너지 시스템을 위한 ML 기반 ABMs에 대한 향후 연구 방향을 제안하는 것.
• 기계학습이 전력시장의 시장 역학, 예측, 정책 관련 시스템 최적화에 미치는 영향을 평가하는 것.

제안 방법

• 2016년부터 2021년까지 출판된 전력시장 ABMs에서의 ML 응용에 관한 55편의 동료심사 논문을 대상으로 체계적 문헌 리뷰를 수행함.
• 시장 유형(국제/국가, 지역), 응용 영역(예: 입찰, 예측, 요금 설계), 사용된 ML/AI 기법에 따라 논문을 분류함.
• 알고리즘을 강화학습, 유전 알고리즘, 입자 군집 최적화, 게임 이론, 최적화 히وري스틱 등 군집으로 분류함.
• 응용 분야별 연구 초점의 분포를 맵핑하여 지배적인 주제와 장기꼬리 응용을 식별함.
• 연구가 마이크로 수준의 에이전트 행동에 집중하는가 아니면 시스템 수준의 결과에 집중하는가를 평가함.
• 주제별 통합 분석을 통해 연구 간 유사점과 격차를 비교함.

실험 결과

연구 질문

• RQ1 전력시장 ABMs에서 기계학습 기반의 에이전트기반모델에 가장 자주 다뤄지는 응용 영역는 무엇인가요?
• RQ2 ABM 기반 전력시장 연구에서 주로 사용되는 기계학습 및 인공지능 기법은 무엇인가요?
• RQ3 연구 자원이 국제/국가 수준 전력시장 대비 지역 전력시장 등 다양한 시장 유형 간에 어떻게 분포되어 있나요?
• RQ4 기존 연구들이 에이전트 행동의 거시적 영향이 시장 안정성과 효율성에 미치는 영향을 어느 정도 평가하고 있나요?
• RQ5 현재 문헌에서 간과되거나 탐색되지 않은 응용 분야는 무엇이 있나요?

주요 결과

• 다수의 연구(특히 국제/국가 수준 시장에서)는 입찰 전략에 집중하며, 강화학습이 주로 사용되는 주요 ML 기법임.
• 검토된 논문 중 18%만 지역 전력시장에 집중하고 있어, 탈중앙화된 재생 가능 에너지 통합의 중요성이 증가하고 있음에도 불구하고 상당한 연구 격차가 있음.
• 탄소 배출 예측, 그리드 제어, 이중 거래와 같은 응용 분야는 아직 탐색되지 않아 잠재적 연구 기회로 장기꼬리 영역을 형성함.
• 대부분의 연구는 개별 입찰, 수요 반응과 같은 마이크로 수준 행동에 집중하며, 시스템 수준 최적화나 정책 관련 파rameter 조정에 대한 관심은 제한적임.
• 단 한 건의 연구만이 게임 이론적 접근을 명시적으로 사용했으며, 이는 제2가격 경매에 국한되어 있어 불확실한 환경에서의 전략적 상호작용 탐색이 제한적임을 시사함.
• 입찰 전략과 같은 고도로 연구된 분야의 발견은 마이크로그리드 관리와 같은 다른 응용 분야에 일반화될 수 있으며, 이는 교차 분야 이전 가능성의 잠재력이 매우 높음을 시사함.