전력시장 전략 입찰과 송전망 확장을 동시에 최적화하는 강화학습 프레임워크
본 논문은 다중 에이전트 강화학습(MADDPG)을 활용해 발전기들의 전략적 입찰 행동과 송전망 용량 확대 결정을 하나의 학습 과정에서 공동 최적화한다. 연속·이산형 확장 변수와 입찰 정책을 설계 정책 레이어에 포함시켜, 시장 정산과 투자 설계가 반복적으로 상호작용하도록 하였다. IEEE 30버스 시스템을 대상으로 한 실험에서, 기존의 두 단계식(전통적 최적화 → 시장 시뮬레이션) 접근법에 비해 비용 효율적인 확장 결과와 보다 현실적인 시장 운용…
저자: Tomonari Kanazawa, Hikaru Hoshino, Eiko Furutani
본 논문은 전력시장의 자유화와 분산형 투자·운영 환경에서 송전망 확장 계획과 발전기들의 전략적 입찰 행동이 상호 의존한다는 점을 강조한다. 기존 연구는 전송망 확장을 다단계 최적화(전통적 수학적 모델) 혹은 강화학습을 이용한 운영 시뮬레이션으로 각각 다루었으나, 두 접근법을 통합한 연구는 거의 없었다. 이를 해결하기 위해 저자들은 다중 에이전트 강화학습(MADDPG) 기반의 공동 최적화 프레임워크를 제안한다.
프레임워크는 크게 두 부분으로 구성된다. 첫 번째는 시장 시뮬레이션을 담당하는 다중 에이전트 RL 환경이다. 각 GENCO는 단일 발전기를 대표하는 에이전트로, 로컬 상태(o_i) =
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기