电力套利中基于分位数的交易策略优化

整合的能源存储竞标模型利用基于 Transformer 的实时价格预测模型进行日前竞标设计，最大化利润和降低风险。

在纽约州的历史数据测试中，整合系统相比于仅在实时市场竞标可获得约 20% 的利润增长，并降低负利润天数的风险。

提出了一种决策为中心的电价预测方法，旨在减少决策错误并提高经济效益。

研究发现短期电力市场和平衡市场是基本不同的构造，提出的基于 LASSO 的 LEARN 模型在平衡市场上的预测表现优于其他复杂方法。

基于联合出价的优化策略通过深度强化学习有效缓解了风力抑制和电量储存的问题，实验证明了该策略的可行性和优越性。

开发了一种新颖的电池储能系统联合竞标策略，能够在现货市场和突发频率控制辅助服务市场中应对价格波动。

基于分布式加强学习的电池控制框架通过能源套利实现系统平衡，并优化套利利润和风险度量之和。

提出使用智能电表数据的双代理深度确定性策略梯度方法来优化招标和购买决策，确保趋势跟踪和自适应。

将储能系统的竞标问题建模为马尔可夫决策过程，利用深度强化学习算法优化竞标策略，取得显著利润。

设计了一个自动化的 P2P 能源市场，通过优化框架最大化买家感知和满足需求与生产的匹配。