شبیه سازی بازار برق با استفاده از سیستمهای شناساگر یادگیرنده

بازار برق به عنوان یک سیستم اقتصادی که با انسان و رفتارهای غیرخطی او دست به گریبان است و همچنین با توجه به دینامیک، قیود فیزیکی و پیچیدگی های سیستم قدرت، همواره مورد توجه محققان بوده است. برای حل مسائل پیچیده استفاده از سیستم های هوشمند که قابلیت ترکیب روش های یادگیری و دانش های مختلف از منابع متفاوت را دارند ضروری است. از جمله سیستم های هوشمند می توان به شبکه های عصبی مصنوعی، الگوریتم ژنتیک، الگوریتم تکاملی، مکانیزم یادگیری تقویتی و همچنین سیستم های شناساگر یادگیرنده اشاره نمود. در این پژوهش به مسئله قیمت دهی شرکت های فروشنده انرژی الکتریکی در بازار برق با استفاده از روش های شبیه سازی مبتنی بر عامل پرداخته می شود. در این شبیه سازی یک بخش مهم انتخاب مدل مناسب برای یاد گیری عامل در محیط بازار می باشد. در این راستا از بین روش های یادگیری معمول، روش سیستم های شناساگر یادگیرنده انتخاب و در شبیه سازی بازار برق از آن استفاده شده است. برای داشتن یک بستر مناسب نرم افزاری برای شبیه سازی بازار برق، نرم افزاری تحت عنوان umpms طراحی و الگوریتم های مختلف یادگیری از جمله q-learning و xcs در آن تعبیه گشته است. همچنین در این پژوهش مقایسه ای میان دو روش مذکور انجام شده است. نتایج این مقایسه نشان می دهد که برای شبیه سازیهای ساده که تعداد حالت های محیط اندک و تغییرات محیطی وجود ندارد، الگوریتم q-learning عملکرد بهتری نسبت به xcs دارد. لذا با توجه به پیچیدگی xcs پیشنهاد شده است که در اینگونه شبیه سازی ها از همان روش های یادگیری تقویتی مانند q-learning استفاده شود. با اینحال در محیط هایی که تغییرات محیطی زیاد و یا تعداد حالات محیط بیشتر باشد، الگوریتم xcs دارای عملکرد بهتری می باشد. این موضوع در اضافه کردن تعداد حالات محیط بسیار مشهودتر است. زیرا در روش xcs تا هر حد دلخواه می توان به تعداد حالت های ممکن محیط افزود.