Enfoque de juego de Stackelberg basado en aprendizaje profundo de refuerzo pequeño para el comercio seguro de energía asistido por blockchain en mercados de electricidad
Autores: Xiao, Yong; Lin, Xiaoming; Lei, Yiyong; Gu, Yanzhang; Tang, Jianlin; Zhang, Fan; Qian, Bin
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Enfoque de juego de Stackelberg basado en aprendizaje profundo de refuerzo pequeño para el comercio seguro de energía asistido por blockchain en mercados de electricidad
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Mercados de electricidad
Comercio de energía
Vehículos eléctricos
Operadores de carga de vehículos eléctricos
Tecnología blockchain
Fuentes de energía renovable
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 35
Citaciones: Sin citaciones
Los mercados de electricidad son sistemas complejos que facilitan el intercambio eficiente de energía dentro de redes interconectadas. Con el aumento del transporte de bajas emisiones impulsado por políticas ambientales y avances tecnológicos, el comercio de energía se ha vuelto crucial. Esta tendencia hacia los Vehículos Eléctricos (VE) se ve reforzada por el papel fundamental que desempeñan los operadores de carga de VE al proporcionar infraestructura de carga esencial y servicios para la adopción generalizada de VE. Este documento presenta un marco de comercio de electricidad seguro asistido por blockchain entre los operadores de carga de VE y el mercado de electricidad con fuentes de energía renovable. Proponemos un juego de Stackelberg de un solo líder y múltiples seguidores entre el mercado de electricidad y los operadores de carga de VE. En el juego de Stackelberg de dos etapas, el mercado de electricidad actúa como líder, decidiendo el precio de la energía eléctrica. El agregador de carga de VE aprovecha la tecnología blockchain para registrar y verificar transacciones de comercio de energía de forma segura. Los operadores de carga de VE, actuando como seguidores, luego deciden su demanda de energía eléctrica en función del precio establecido. Para encontrar el equilibrio de Stackelberg, empleamos un algoritmo de Aprendizaje Profundo por Reforzamiento (DRL) que aborda desafíos no estacionarios a través de la formulación de políticas, espacio de acción y función de recompensa. Para optimizar la eficiencia, proponemos la integración de técnicas de poda en DRL, denominadas Tiny DRL. Los resultados numéricos demuestran que nuestros esquemas propuestos superan a los enfoques tradicionales.
Descripción
Los mercados de electricidad son sistemas complejos que facilitan el intercambio eficiente de energía dentro de redes interconectadas. Con el aumento del transporte de bajas emisiones impulsado por políticas ambientales y avances tecnológicos, el comercio de energía se ha vuelto crucial. Esta tendencia hacia los Vehículos Eléctricos (VE) se ve reforzada por el papel fundamental que desempeñan los operadores de carga de VE al proporcionar infraestructura de carga esencial y servicios para la adopción generalizada de VE. Este documento presenta un marco de comercio de electricidad seguro asistido por blockchain entre los operadores de carga de VE y el mercado de electricidad con fuentes de energía renovable. Proponemos un juego de Stackelberg de un solo líder y múltiples seguidores entre el mercado de electricidad y los operadores de carga de VE. En el juego de Stackelberg de dos etapas, el mercado de electricidad actúa como líder, decidiendo el precio de la energía eléctrica. El agregador de carga de VE aprovecha la tecnología blockchain para registrar y verificar transacciones de comercio de energía de forma segura. Los operadores de carga de VE, actuando como seguidores, luego deciden su demanda de energía eléctrica en función del precio establecido. Para encontrar el equilibrio de Stackelberg, empleamos un algoritmo de Aprendizaje Profundo por Reforzamiento (DRL) que aborda desafíos no estacionarios a través de la formulación de políticas, espacio de acción y función de recompensa. Para optimizar la eficiencia, proponemos la integración de técnicas de poda en DRL, denominadas Tiny DRL. Los resultados numéricos demuestran que nuestros esquemas propuestos superan a los enfoques tradicionales.