本研究提出了一种基于深度强化学习的算法来协调多个智能逆变器，以更有效地利用逆变器反应功率来满足电网电压的操作限制，该算法能够通过与海量离线模拟的交互来学习其策略，并适应负载和太阳能变化。在 IEEE 37 节点系统上，训练良好的 DRL 代理可智能地协调不同的 SI，以维持电网电压在允许范围内，实现减少 PV 生产限制和降低系统损失的目标。

Oct, 2019

该研究提出了一种新的分布式电网电压调节方案，通过巧妙地耦合数据驱动与基于物理的优化来解决电动汽车和可再生发电设备带来的电压波动问题，并利用深度强化学习算法在每小时更慢的时间尺度上配置电容器最小化长期折扣电压偏差。

Apr, 2019

提出了一种基于模型的深度强化学习方法，用于设计短期电压稳定性问题的紧急控制策略，并使用基于深度神经网络 的动态代理模型进行训练，最终在 IEEE 300 总线测试系统上实现了 97.5% 的样本效率和 87.7% 的训练效率。

Dec, 2022

本研究表明，多智能体强化学习可用于通过智能逆变器和智能建筑能源管理系统控制建筑内资源，实现电网水平目标，并保护建筑物业主的隐私和舒适度。作为案例研究，我们考虑使用可控建筑负载、储能和智能逆变器在 IEEE-33 总线网络上进行电压调节。结果表明，强化学习代理通常通过 34％降低欠电压和过电压的发生率。

Oct, 2021

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

本研究首次探讨使用深度强化学习在智能电网环境下实现建筑能源管理系统的在线调度优化，所提出的方法被验证可用于大规模数据资源中，如 Pecan Street Inc. 数据库，并且可以提供实时反馈以鼓励电能的更高效利用。

Jul, 2017

本文提出一种利用深度强化学习进行电力系统紧急控制的方法，并设计了一个名为 “RLGC” 的开源平台来辅助这种方法的开发和基准测试。通过在两区四机系统和 IEEE 39-Bus 系统中的案例研究，证明了该方法的优异性能和鲁棒性。

Mar, 2019

该研究通过训练一组深度强化学习智能体来自动化参与 ALEX 社区能源市场，揭示了账单减少与减少净负荷变动之间的明确关联。在使用开源数据集评估净负荷变动的影响时，代理与多个基准进行了比较，显示出有前景的性能水平，接近近似最优动态规划基准。

Apr, 2024

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

本研究提出一种数据驱动的贝叶斯强化学习 (BRL) 方法来解决大规模电力系统下的电压控制问题，并通过在部分可观测马尔科夫决策问题中自动捕捉因网络攻击所导致的不确定性来保持电压控制持续性，同时评估该技术在 WSCC 和 IEEE 14 总线系统上的应用效果，以及自动寻找多种 RL 技术中探索和开发的阈值。

May, 2023