Um lokalen Prosumer und Gemeinschaften die Möglichkeit zu geben, ihren Strom zu handeln und die Kontrolle über ihre elektrischen Ressourcen zu haben, wurden in den letzten Jahren Lokale Energiemärkte (LEMs) entwickelt. Diese stellen sicher, dass Strom nah an dem Ort gehandelt wird, an dem er produziert wird. Die Literatur zu optimalen und effektiven Handelsstrategien für das LEM-Design ist jedoch immer noch begrenzt. In dieser Arbeit schlagen wir zwei auf Reinforcement Learning basierende intelligente Gebotsstrategien für Prosumer und Verbraucher vor, die innerhalb eines LEM handeln. Unsere vorgeschlagenen Modelle wurden auf ihre Leistungsfähigkeit hin evaluiert, indem sie in einem realen Umfeld in Deutschland getestet wurden. Die Simulationsergebnisse zeigen, dass intelligente Gebotsstrategien im Vergleich zur Basisstrategie, bei der die Agenten ihre Handelsentscheidung zufällig ohne einen intelligenten Agenten treffen, zusätzliche Autarkie und Markteinsparungen für die lokale Gemeinschaft schaffen. Darüber hinaus ermöglicht die Modellierung der intelligenten Agenten in der Weise, dass sie auf ein gemeinsames Ziel hinarbeiten, einen größeren Anteil an individuellen Einsparungen für die Prosumer und Verbraucher im Vergleich zu den klassischen intelligenten Gebotsstrategien, die in dieser Arbeit verwendet werden.
