使用层次强化学习方法控制电网拓扑结构,通过在不同层次应用强化学习算法,实现电网操作的长期目标且在困难任务上超越其他方法。
Nov, 2023
该研究利用最新的强化学习算法和真实的电力网络环境,提出了一种系统的解决方案来解决传统能源调度面临的问题,并为电力系统提供了一个可持续的低碳未来。
Mar, 2023
本文提出了一种基于搜索规划算法的新方法解决强化学习中存在的环境约束问题,同时采用黑盒策略优化的进化策略来训练策略直接优化。在 NeurIPS L2RPN 竞赛中,我们的解决方案在两个轨道中均名列第一,能够有效管理电网并确保其地安全性。
Jun, 2021
评估了 Learning to Run a Power Network 竞赛中 Binbinchen 代理的表现,并提供了改进策略,其中最主要的是 N-1 策略,这种策略可使得电网保持稳定性,同时提高了规则代理的性能达到了 27%。
Apr, 2023
该论文提出了一种适用于扩展动作空间的分层多智能体强化学习 (MARL) 框架,利用电网固有的分层结构,用于管理大规模的电力网络,并且实验结果表明该框架的性能与单智能体强化学习方法相当。
Oct, 2023
本文介绍一种基于机器学习的拓扑优化代理和重新派遣优化器的拥堵管理方法,该方法在 L2RPN 2022 竞赛中排名第一,并将其应用于实际电力网操作中,证明了其效益和局限性,为明天的电网部署 RL 代理铺平了道路。
Feb, 2023
本文提出了一种利用深度强化学习解决分布式电网拥塞问题的新型端到端方法,该方法可以在低电压网格中进行决策,确保拥塞 - free 的电网运行。
May, 2024
本文提出了一种新的范式 Grid Mind,使用深度强化学习进行自主电网运行控制。 通过与大规模离线模拟的交互,所提出的人工智能代理可以学习其控制策略,并适应包括负荷 / 发电变化以及拓扑变化在内的新变化,然后在 IEEE 14 总线系统上进行了测试,并展示了在运用自主电压控制进行安全电网运行方面的良好表现。
Apr, 2019
随着能源转型的持续进行,需求侧灵活性已成为现代电力网络的一个重要方面,以提供网络支持并实现可持续能源的进一步整合。除了传统能源源之外,住宅部门是另一个主要且大量未开发的灵活性源,这是由于太阳能光伏、家庭电池和电动汽车的增加而推动的。然而,解锁住宅灵活性是具有挑战性的,因为需要一个能够有效管理家庭能源消耗并在各种不同的房屋之间具有可扩展性的控制框架,并维持用户舒适度。我们旨在解决这个具有挑战性的问题,并引入一种基于可微分决策树的强化学习方法。该方法将数据驱动的强化学习的可扩展性与(可微分的)决策树的可解释性相结合。这导致了一个可以在不同房屋之间轻松适应并向最终用户解释的简单控制策略,进一步改善用户接受度。作为概念验证,我们使用家庭能源管理问题来分析我们的方法,将其与商业可用的基于规则的基准控制器和标准神经网络强化学习控制器的性能进行比较。通过这项初步研究,我们展示了我们提出的方法的性能与标准强化学习控制器相当,相较于基准控制器,在每日成本节约方面表现优异,节约率提高了大约 20%,同时又易于解释。
Mar, 2024
研究提出一种基于深度强化学习的层次化框架,用于云计算系统中的资源分配和电源管理问题,采用自动编码器和权重共享结构,以解决高维状态空间问题,采用 LSTM 建模工作负载预测,并采用分布式方式操作的无模型 RL 电源管理器处理本地部分问题。
Mar, 2017