Multi-agent systems in networked microgrids: Reinforcement learning and strategic pricing mechanisms
Notice bibliographique
Résumé
This study presents a novel, multi-layered approach for optimizing power transactions in networked microgrids using a multi-agent system framework. It incorporates peer-to-peer trading within microgrid clusters and a market based mechanism for inter-microgrid cluster transactions. To facilitate trading efficiency and market coordination, microgrids are first grouped into clusters based on similar load profiles and generation characteristics, enabling efficient intra-microgrid cluster energy balancing before engaging in inter-microgrid cluster trading. Within each microgrid cluster, microgrids operate autonomously, using local optimization to assess power surpluses and shortages, followed by multi-agent reinforcement learning to dynamically determine bid/ask prices. The proposed framework integrates a two-tiered trading mechanism. First, intra-microgrid cluster trading is facilitated through a proportional bargaining pricing model, ensuring fair power distribution among microgrids within the same microgrid cluster. Then, inter-microgrid cluster trading is optimized using a system marginal pricing mechanism, allowing microgrid clusters to efficiently sell surplus and buy shortage while minimizing grid dependency. Simulations using real-world data demonstrate substantial cost reductions and improved market efficiency. The proposed approach achieves a reduction of 43.9% in the annual surplus energy sold to the grid which reduces reliance on the utility grid by 7.1%. Additionally, annual electricity purchase costs from the grid and the cost of selling electricity to the grid are decreased by 7.5% and 44.6%, respectively. These improvements contribute to greater energy self-sufficiency, lower transaction costs, and enhanced economic fairness among microgrids. This framework provides a scalable, effective, and market-driven solution for power trading in networked microgrids by integrating microgrid clustering, local optimization, dynamic bid/ask price learning, and decentralized trading mechanisms. This improves operational resilience and economic viability of future distributed power markets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».