Abstract
Dit onderzoek heeft als doel een reinforcement learning (RL)-gebaseerde controlestrategie te ontwikkelen voor het beheren van onbalansrisico's door de aggregatie van residentiële flexibiliteit. De strategie moet efficiënt werken binnen sequentiële elektriciteitsmarkten, waarbij onzekerheden in huishoudelijk energieverbruik worden meegenomen, de netstabiliteit wordt verbeterd en financiële besparingen voor consumenten worden gerealiseerd. Het onderzoek veronderstelt dat een RL-aanpak aanzienlijke verbeteringen in kostenbesparingen en besluitvorming zal opleveren ten opzichte van traditionele methoden. Het richt zich ook op het vergroten van de transparantie van deze strategieën om het vertrouwen van gebruikers te bevorderen en bredere adoptie te stimuleren. De studie bestaat uit drie doelstellingen: (1) het ontwikkelen van een marktkader voor het kwantificeren van de impact van onbalansprijzen op marktspelers en consumenten; (2) het ontwikkelen van RL-strategieën voor het beheren van onbalansrisico's en energiearbitrage; en (3) het valideren van de strategie door real-world pilotstudies. Dit onderzoek biedt een schaalbare, efficiënte en transparante oplossing voor het optimaliseren van residentiële flexibiliteit en het verbeteren van de gridstabiliteit.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)