机构名称：
¥ 1.0
摘要 - 能源存储资源在参与批发电力市场时必须考虑价格不确定性及其物理工作特征。这是一个挑战问题，因为电价高度波动，并且能源存储具有效率损失，功率和能量限制。本文提出了一种新颖，多功能且可转移的方法，将基于模型的优化与卷积长的短期记忆网络相结合，以响应或竞标批发电力市场。我们使用纽约州的历史价格测试了我们提出的方法，这表明它取得了最新的结果，与完美的远景案例相比，在价格响应和批发市场竞标设置的情况下，均具有70％至接近90％的利率。我们还通过使用纽约数据预先培训模型来测试转移学习方法，并将其应用于澳大利亚昆士兰州的套利。结果表明，转移学习实现了出色的套利利润，只有三天的本地培训数据，证明了在数据可用性非常有限的情况下，其在Scratch的培训方面具有显着优势。
可转移的储能竞标者-NSF -PAR
主要关键词
相关文件推荐
