Агент-ориентированное моделирование оптового рынка электроэнергии России

Аннотация
Статья посвящена исследованию свободного рынка электроэнергии с помощью агент-ориентированного моделирования. Целью было создание простого и достаточно правдоподобного симулятора рынка, где поставщики и покупатели, участвуя в двустороннем аукционе, обучаются подавать самые выгодные для них заявки. Такого рода симулятор еще не создан для российского рынка, но зарубежными учеными уже разработаны симуляторы для рынков ЕС и США. Построена теоретическая имитационная модель взаимодействия агентов на рынке на сутки вперед с обучением по алгоритму Эрева – Рота, а затем проведены экспериментальные расчеты, симулирующие работу рынка. На основе полученных расчетов проведен анализ равновесных цен, объемов, общественного выигрыша и его распределения между покупателями и продавцами электроэнергии. Результатом работы стало предположение о том, что, если разрешить агентам, которые способны обучаться, подавать любые заявки на этом рынке, это позволило бы покупателям приобретать тот же объем по более низкой цене и, таким образом, перераспределить общественный выигрыш в пользу покупателей.

Ключевые слова:
агент-ориентированное моделирование, обучение агентов, оптовый рынок электроэнергии, рынок на сутки вперед



Список литературы:

1. Hobbs B. F., Metzler C. B., Pang J. S. Strategic gaming analysis for electric power systems: an mpec approach // IEEE Transactions on Power Systems. 2000. Vol. 15. № 2. P. 638–645.
2. Лисин Е. М., Стриелковски В., Григорьева А. Н., Анисимова Ю. А. Современные подходы к разработке моделей рынков электроэнергии и исследованию влияния рыночной силы на конъюнктуру энергорынка // Вектор науки ТГУ. 2013. № 1 (23). С. 188–197.
3. Макаров В. Л., Бахтизин А. Р. Новый инструментарий в общественных науках – агент-ориентированные модели: общее описание и конкретные примеры // Экономика и управление. 2009. № 12. С. 13–25.
4. Bonabeau E. Agent-based modeling: Methods and techniques for simulating human systems. National Academy of Science, 2002.
5. Wooldridge M., Jennings N. Intelligent agents: Theory and practice // Knowledge Engineering Review. 1995. Vol. 10. № 2.
6. Li H., Tesfatsion L. The AMES wholesale power market test bed: a computational laboratory for research, teaching and training. Iowa State University, Ames, 2009.
7. Nicolaisen J., Smith M., Petrov V., Tesfatsion L. Concentration and capacity effects on electricity market power. Proceeding of the 2000 Congress on Evolutionary Computation, La Jolla. USA, 2000. P. 1041–1047.
8. Nicolaisen J., Petrov V., Tesfatsion L. Market power and efficiency in a computational electricity market with discriminatory double-auction pricing // IEEE Transactions on Evolutionary Computation. 2001. Vol. 5. № 5. P. 504–523.
9. Bower J., Bunn D.W. Model-based comparison of pool and bilateral markets for electricity // Energy Journal. 2000. Vol. 21. № 3. P. 1–21.
10. Bower J., Bunn D.W., Wattendrup C. A model-based analysis of strategic consolidation in the German electricity industry // Energy Policy. 2001. Vol. 29. № 12. P. 987–1005.
11. Weidlich A., Veit D. Bidding in interrelated day-ahead electricity markets: Insights from an agent-based simulation model // Proc. of the 29th IAEE International Conference. Potsdam, 2006.
12. Weidlich A., Veit D. A critical survey of agent-based wholesale electricity market models // Energy Economics. 2008. Vol. 30. № 4. P. 1728–1759.
13. Bower J., Bunn D. W. Experimental analysis of the efficiency of uniform-price versus discriminatory auctions in the England and Wales electricity market // Journal of Economic Dynamics and Control. 2001. Vol. 25. № 3–4. P. 561–592.
14. Zhou Z., Chan W. K., Chow J. H. Agent-based simulation of electricity markets: a survey of tools // Artificial Intelligence Review. 2007. Vol. 28. № 4. P. 305–342.
15. Liu Z., Yan J., Shi Y., Zhu K., Pu G. Multi-agent based experimental analysis on bidding mechanism in electricity auction markets // International Journal of Electrical Power & Energy Systems. 2012. Vol. 43. № 1. P. 696–702.
16. Erev I., Roth A. E. Predicting how people play games: Reinforcement learning in experimental games with unique, mixed strategy equilibria // The American Economic Review. 1998. Vol. 88. № 4. P. 848–881.
17. Roth A. E., Erev I. Learning in extensive-form games: experimental data and simple dynamic models in the intermediate term // Games and Economic Behavior. 1995. № 8. P. 164–212.