Community-Microgrid

主要任務

本次任務進行電價媒合，因此最重要的任務就是先預測出 「用電量」 與 「產電量」 接著就根據前一次的媒合結果，做出我們要賣或是要買的滾動式調整的結果。 Design an agent for bidding power to minimize your electricity bill

模型架構

本次模型架構使用 LSTM ，以下為模型的詳細分層

預測結果

模型策略

1. 先整理原始資料的日期結構
2. 使用 Gaussian Filter 當作是處理資料雜訊的工具
3. 餵入 guassianBlur() dataframe 包含兩串數值( generation and consumption )、還有 size
4. 根據 24*7 個時段，決定下一個時段的 consumption 與 generation
5. train_x.shape = (198205,168,5)
   • 198205 約表示 : 5833(個小時) * 49(組帳號) * 0.7(的比例要拿來做 training)
   • 168 表示 : 過去 24*7 hour data 要拿來預測下一個階段的
   • 5 表示 : 餵進去的 features 有gen、con、month、day、hour，共5筆 features
6. 最後可以得出預估
   • Gy generate
   • Cy consumption
   • buyP buying price
   • sellP selling price
   • balance Gy - Gc

買賣策略

根據上次的交易結果率，先訂定最低的價格，再根據上次的結果，依層次依序訂出本次交易的價格

• 買入

sellP = sLast
if sSuccessRatio < 0.1 and sellP - 0.05 > sMin:
    sellP = sellP - 0.05
elif sSuccessRatio < 0.3 and sellP - 0.02 > sMin:
    sellP = sellP - 0.02
elif sSuccessRatio < 0.5 and sellP - 0.01 > sMin:
    sellP = sellP - 0.01
elif sSuccessRatio > 0.95:
    sellP = sellP + 0.01

• 賣出

if bSuccessRatio < 0.0001 and bMean < 2.53:
    buyP = bMean if 2.51 < bMean else 2.51
elif bSuccessRatio < 0.1 and buyP + 0.05 < 2.53:
    buyP = buyP + 0.05 
elif bSuccessRatio < 0.3 and buyP + 0.02 < 2.53:
    buyP = buyP + 0.02
elif bSuccessRatio < 0.5 and buyP + 0.01 < 2.53:
    buyP = buyP + 0.01
elif bSuccessRatio > 0.95:
    buyP = buyP - 0.01