| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 论文的研究背景和意义 | 第11-12页 |
| 1.2 当前国内外的研究现状 | 第12-17页 |
| 1.2.1 博弈论在发电侧电力市场研究现状 | 第12-14页 |
| 1.2.2 激励性电力竞价机制研究现状 | 第14-15页 |
| 1.2.3 多Agent电力市场仿真及Q学习研究现状 | 第15-16页 |
| 1.2.4 发电商报价策略的研究现状 | 第16-17页 |
| 1.3 本文的主要研究工作及组织结构 | 第17-19页 |
| 第二章 多Agent技术介绍 | 第19-26页 |
| 2.1 Agent系统的特征与结构 | 第19-24页 |
| 2.1.1 Agent系统的基本特征 | 第19页 |
| 2.1.2 Agent系统的体系结构 | 第19-21页 |
| 2.1.3 多Agent系统的工作流程 | 第21-22页 |
| 2.1.4 本文多Agent体系结构 | 第22-24页 |
| 2.2 电力市场多Agent系统的工作流程 | 第24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 考虑风险规避的电力竞价激励契约研究 | 第26-47页 |
| 3.1 激励契约的设计思路 | 第26-28页 |
| 3.2 一主多从的Stackelberg博弈模型 | 第28-36页 |
| 3.2.1 模型假设 | 第28-31页 |
| 3.2.2 ISO Agent调度模型 | 第31-34页 |
| 3.2.3 发电商Agent决策模型 | 第34-36页 |
| 3.2.4 考虑风险规避的双层规划模型 | 第36页 |
| 3.3 模型求解 | 第36-41页 |
| 3.4 算例仿真及结果分析 | 第41-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于Q学习算法的电力竞价激励契约研究 | 第47-62页 |
| 4.1 Q学习算法 | 第47-50页 |
| 4.1.1 强化学习算法 | 第47-49页 |
| 4.1.2 Q学习算法 | 第49-50页 |
| 4.2 激励契约下基于Q学习算法的发电商报价决策模型 | 第50-53页 |
| 4.3 激励契约下基于Q学习算法的ISO决策模型 | 第53-54页 |
| 4.4 Q学习算法流程 | 第54-56页 |
| 4.5 算例仿真与结果分析 | 第56-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 结论与展望 | 第62-64页 |
| 5.1 结论 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 作者在攻读硕士学位期间公开发表的论文 | 第68-69页 |
| 作者在攻读硕士学位期间所作的项目 | 第69-70页 |
| 致谢 | 第70页 |