Strategic Bidding in Local Energy Markets: A Focus on Agent Behaviour

Abstract

Esta tesis implementa y valida un flujo de trabajo basado en IA que pronostica, con 24 h de antelación, los factores de sensibilidad a nivel de distribución, sensibilidad de la magnitud de voltaje/corriente respecto a la potencia activa/reactiva (VMP, VMQ, CMP, CMQ), tanto para nodos de carga como de generación. Se sustituye el cálculo completo de flujos de potencia por un sustituto basado en Random Forest, evitando la necesidad de disponer de la topología de red, habitualmente inaccesible para la mayoría de los agentes. Probado en una red de baja tensión de 16 barras con 504 muestras horarias, la herramienta de Random Forest reduce el tiempo de cómputo en más de un 90 % frente al flujo de potencia y logra un error porcentual absoluto medio (MAPE) inferior al 3 % en los ocho factores de sensibilidad. El trabajo demuestra, por tanto, una vía reproducible hacia actores inteligentes en la red, donde un agente de mercado puede optimizar su estrategia de participación.

This thesis implements and validates an AI-driven pipeline that forecasts distribution-level sensitivity factors, Voltage/Current (V/C) Magnitude sensitivity with respect to Active/Reactive (P/Q) power (VMP, VMQ, CMP, CMQ) for both load and generation nodes, 24 h ahead. A Random Forest surrogate replaces full power-flow calculations which require information about the network, that most likely are not available for an actor of the network. The Random Forest tool is tested on a 16-bus Low Voltage (LV) network with 504 hourly samples, the surrogate cuts computation time by > 90 % respect to power flow and achieves a Mean Absolute Percentage Error (MAPE) below 3 % for all eight sensitivity factors. The work therefore demonstrates a reproducible path toward intelligent actors of the network, where a market agent can optimize the strategy adopted in the electricity markets.