[论文解读] Machine learning applications for electricity market agent-based models: A systematic literature review

Alexander Kell, A. Stephen McGough+1 more|arXiv (Cornell University)|Jun 5, 2022

Electric Power System Optimization被引用 6

一句话总结

本篇系统性文献回顾分析了2016至2021年间55篇关于机器学习（ML）在电力市场代理人模型（ABMs）中应用的论文。研究发现，相关研究主要集中在使用强化学习的投标策略方面，同时指出了本地市场、碳排放预测和系统级优化等尚未充分探索的领域，表明这些长尾领域具有高影响力的科研机遇。

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.

研究动机与目标

• 对电力市场中代理人模型（ABMs）内机器学习（ML）与人工智能（AI）的应用领域进行分类与映射。
• 识别在电力市场模拟中ML-ABM集成的主导研究主题、技术手段及算法偏好。
• 揭示尚未充分探索的研究领域，并为ML增强型ABMs在能源系统中的未来研究提出新方向。
• 评估ML对电力市场动态、预测及政策相关系统优化的影响。

提出的方法

• 对2016至2021年间发表的55篇经同行评审的论文进行系统性文献回顾，研究主题为ML在ABMs用于电力市场的应用。
• 根据市场类型（国际/国家、本地）、应用领域（如投标、预测、电价设计）以及所用ML/AI技术对论文进行分类。
• 将算法归类为若干集群：强化学习、遗传算法、粒子群优化、博弈论及优化启发式方法。
• 绘制研究重点在不同应用领域中的分布情况，以识别主导主题与长尾应用。
• 评估研究在多大程度上关注系统层面结果，而非微观层面的代理人行为。
• 采用主题综合法比较各研究的发现，识别研究空白。

实验结果

研究问题

• RQ1 在ML增强型ABMs用于电力市场的研究中，哪些应用领域被最频繁地研究？
• RQ2 在基于ABM的电力市场研究中，主要使用了哪些机器学习与AI技术？
• RQ3 研究工作在不同市场类型（如国际/国家市场与本地电力市场）之间的分布情况如何？
• RQ4 现有研究在多大程度上评估了代理人行为对市场稳定性与效率的宏观影响？
• RQ5 当前文献中存在哪些尚未充分探索或研究不足的应用领域？

主要发现

• 大多数研究（尤其在国际/国家市场中）集中于投标策略，且强化学习是主导的ML技术。
• 仅18%的被评阅论文聚焦于本地电力市场，表明尽管其在分布式可再生能源整合中日益重要，仍存在显著的研究空白。
• 如碳排放预测、电网控制及双边交易等应用尚未被充分探索，构成了潜在的研究机会长尾。
• 多数研究关注微观层面行为（如个体投标、需求响应），而对系统级优化或与政策相关的参数调优关注有限。
• 仅有一项研究明确采用博弈论方法，且仅限于第二价格拍卖，表明在不确定环境中对战略互动的探索仍较有限。
• 在投标策略等高度研究的领域中获得的发现，可推广用于其他应用（如微电网管理），表明跨领域可迁移性具有高度潜力。