عنوان پایان‌نامه
استراتژی قیمت دهی در بازار برق مبتنی بر شاخص ریسک
- رشته تحصیلی
- مهندسی برق -قدرت - تجدید ساختار
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 41536;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1592
- تاریخ دفاع
- ۳۰ بهمن ۱۳۸۷
- دانشجو
- علیرضا قشقاوی
- استاد راهنما
- سعید افشارنیا, اشکان رحیمی کیان
- چکیده
- از زمانی که به سبب مشکلات سرمایه گذاری دولت ها در صنعت برق، تجدید ساختار و در پی آن، خصوصی سازی به وقوع پیوست، بازارهای آزادی شکل گرفت که در آن هر فروشنده ای، برق تولیدی واحد خود را عرضه کرده و بفروشد. در نتیجه هر فروشنده ای به فکر ارائه بهترین قیمت ممکن به بازار (که هم سهم قابل قبولی برای تولید کسب کند و هم از آن میزان تولید، بیشترین سود را کسب کند) افتاد. در مجموعه پیش رو، شیوه ای برای قیمت دهی در بازار برق ابداع و طراحی می شود که در شرایط و وضعیت های متفاوت بازار، در رقابت با رقبای مختلف و در شبکه ای نمونه که دارای محدودیت هایی است، بهترین پیشنهاد قیمت ممکن را ارائه کرده تا هدف حداکثر سازی سود محقق شود. با بررسی ای که بین روش های یادگیری و تئوری بازی انجام می شود، یادگیری تقویتی به علت ناشناخته بودن محیط بازار، گزینه ی مطلوب تشخیص داده شد و نتیجتاً با استفاده از الگوریتم Q.Learning عامل یادگیرنده ای طراحی می شود که با حضور در دوره های متوالی بازار، به تدریج شناخت از محیط بازار و تاثیر تصمیمات خود پیدا کرده، بهترین استراتژی قیمت دهی را خواهد شناخت. اما نکته قابل توجه این است که یکی از معیارهای ذهنی افراد (به عنوان تصمیم گیرنده و پیشنهاد دهنده در بازار واقعی) ریسک حاصل از تصمیمات است. برخی اصولاً خطرپذیر هستند و بعضی دیگر خطر گریز. این عامل، همواره غیر آشکار، تعیین کننده ی تصمیمات است. ابتکار و ایده جدید در این طرح، بکارگیری ریسک تصمیمات به عنوان شاخص و مبنای تصمیم گیری برای پیشنهاد قیمت برق است. بر این اساس، ساختاری جدید برای ذهن عامل یادگیرنده طراحی می شود که ریسک را به عنوان یک معیار مورد استفاده قرار می دهد. در آخر، بازیگر طراحی شده در اوضاع مختلف شبکه، رقبا و بازار برق مورد آزمایش قرار گرفته و میزان موفقیت آن، سنجیده خواهد شد.
- Abstract
- The deregulation of electricity sector in some countries results in more significance of players in the electricity markets than before restructuring, therefore it is vitally important that each player has appropriate strategy to benefit from market to overcome it's expenses such as investment and operating costs besides appreciable profit, so players should have certain bidding strategy in power market. This strategy depends on the risk-taking of those players in addition of common rationality of them. Thus risk will become an important factor for each player as well. There are a lot of literatures that study bidding strategy in the electricity market, but most of them just note that rationality is the only main decision-making factor of actors and because of this reason, most of them have used game theory principles while it is obvious that in real world each player has some degree of risk-taking individually along with rationality factor and also in electricity market there are broad uncertain parameters. This paper will address this important issue in the bidding strategy studies. That is, we consider not only rationality assumption of each player, but also consider risk-taking of each individual as well. Proposed method is based on Q-Learning as a extension of Reinforcement Learning (RL) that includes risk factor as one of the factors of learning process. Another privilege of Q-Learning than game theory is dominance of learning method to deal with uncertainty in market because this procedure acts based on medium feedbacks which including uncertainty additionally, but in the case of modeling with game theory principles, we have to take some assumptions and estimations to attain complete information from incomplete ones, it is evident the drawback is existence of high uncertainty in these assumptions and estimations. To validate proficiency of proposed method, an IEEE 30-bus power system is considered and the agents in the market are implemented on this type test system and these agents have different levels of risk.
