能源行业将成为Fetch.ai技术的最大受益者之一。Fetch.ai网络上的自治代理具有引起市场巨大变化的潜能,该市场每年吸引近2万亿美元的投资。[ 2017年的全球能源投资未能跟上能源安全和可持续性目标(IEA,2018年7月17日)
] 能源供应商和消费者每时每刻都在生成数据,但是绝大多数还是无法访问的。Fetch.ai通过将数据提供给更广泛的受众来释放巨大的经济潜力。在本文中,我们将重点放在能源公司的现实利益上,而市场主管部门则可以通过将自治代理引入到竞争激烈的市场中来获得收益。

在一些司法管辖区,放松管制导致引入了私营公司,这对行业产生了深远的影响。现在,传统的集中式分析模型很难提供有意义的见解分析。因此需要新的模型,能够捕获自利公司的利润驱动行为。

Fetch.ai机器学习科学家Yujian Ye 与伦敦帝国理工学院的研究人员合作,发表了两篇论文。欧盟Horizon 2020研究与创新计划下的EU Sysflex项目均支持这两篇论文。这两部作品对增强市场设计和监管以实现新的业务解决方案做出了重要的新贡献。这些凸显了Fetch.ai的自治代理将如何成为未来能源模型的中心。

第一篇论文 是发表在IEEE Transactions on Smart Grid上的一本国际期刊,该杂志发表了与能源生产,传输,分配和输送有关的内容,由其产生和影响能源的研究结果。

它展示了一种全新的,基于代理和数据驱动的建模观点,该观点利用深度强化学习,可以使发电公司在战略上与竞争对手竞争。

在美国等市场,公司提出了发电权的要约。每个公司都希望市场经营者以最高的价格换取发电,但是每个公司都知道,如果竞争对手提出较低的发电价格,他们的出价将被忽略。

有多种因素会影响市场运营商寻找报价的吸引力。这些因素包括有关公司保证生产电力的预估能力。其他因素包括公司的可变成本,启动/关闭发电机的成本以及所需的最短上/下电时间。这与美国许多能源市场(例如,加州ISO,PJM,纽约ISO)的复杂招标结构相符。

传统分析市场建模工具 忽略了这种复杂的技术经济运营特征。 此外,由于建模能力的固有局限性,他们做出了不切实际的假设。

本文讲述的新模型主张在多维连续状态和动作空间中使用基于代理的深度强化学习。

强化学习包括:代理通过利用从其与环境的反复交互中获得的经验逐步学习最佳策略,而无需完整的系统识别或系统的先验知识。

使用此模型,发电公司可以收到有关其投标决策影响的准确反馈。反过来,这也使他们能够在策略上提供比使用当前模型更明智的出价。这是因为基于代理的建模方法能够利用历史交易经验来制定最佳策略。这样,公司可以获得相对于竞争对手的优势,因此更有可能成功竞标发电权。

案例中引用的研究文章 结果表明,与备选的最新技术方法相比,所提出的方法可实现更高的利润并展现出更佳的计算性能。具体而言,与采用平衡约束方法的最新数学程式相比,所提出的方法可实现40.56%的更高利润。所提出的方法还显示出比Q-学习高20%的利润和比Deep Q Network方法高11%的利润。

第二篇论文发表在IEEE Access中,建立在第一篇论文的基础上。它查验代表发电公司的自治机构的决策过程。它还分析了这些自治主体之间的相互作用所带来的市场均衡。

这篇论文Yujian致力于提出一种新颖的基于多主体深度强化学习的方法,以实现这种市场均衡。

当竞争的利益相关者都没有动机偏离其战略时,就可以实现市场均衡。结果,阻止了每个利益相关者以牺牲另一个利益为代价而受益,并且在整个市场上存在必要的妥协。代表公司的每个自治代理的策略都考虑到了市场动态以及竞争对手采用的潜在策略,这些都是使用历史交易数据估算的。

这些创新的市场建模工具能够提供量化的见解分析,这对于发电公司和其他有关方面(例如发电技术的投资者)至关重要。同样,行业监管机构(例如英国的OFGEM)可以从均衡分析中受益,因为它可以在介入市场之前使用自治代理来模拟一系列情景和市场行为。它还以使监管机构更有效地监控能源交易,预测能源生产中的任何不足,并减轻发电公司过度利用市场力量的行为。

这些案例研究背后的AI和机器学习技术对于解决发电公司采用的各种投标方法而言必定很复杂。如果您想了解有关这些论文中讨论的技术的更多信息,请发送电子邮件至info@fetch.ai。正如我们在本文中概述的那样,这些论文展示了Fetch.ai的自治代理如何能够转变成熟的行业来应对变化。