Publikation über Multi-Agent Reinforcement Learning zum Modellieren von Energiemärkten
Die Publikation „Approximating Energy Market Clearing and Bidding With Model-Based Reinforcement Learning“ von Thomas Wolgast und Astrid Nieße wurde Anfang Oktober erfolgreich in dem interdisziplinären Open-Access-Journal IEEE Access veröffentlicht. In der Arbeit wird Multi-Agent Reinforcement Learning genutzt, um sowohl Energiemarktteilnehmer als auch den Energiemarkt selber durch Lernen zu Approximieren. Die Methode ermöglicht es die Auswirkungen von Energiemarktregeln auf resultierende Marktstrategien zu untersuchen. In der Arbeit zeigen wir wie die Nutzung von Domänenwissen und die Approximation des Energiemarktes die Trainingszeit signifikant reduzieren kann.
Die Publikation „Approximating Energy Market Clearing and Bidding With Model-Based Reinforcement Learning“ von Thomas Wolgast und Astrid Nieße wurde Anfang Oktober erfolgreich in dem interdisziplinären Open-Access-Journal IEEE Access veröffentlicht. In der Arbeit wird Multi-Agent Reinforcement Learning genutzt, um sowohl Energiemarktteilnehmer als auch den Energiemarkt selber durch Lernen zu Approximieren. Die Methode ermöglicht es die Auswirkungen von Energiemarktregeln auf resultierende Marktstrategien zu untersuchen. In der Arbeit zeigen wir wie die Nutzung von Domänenwissen und die Approximation des Energiemarktes die Trainingszeit signifikant reduzieren kann.
