Nov, 2019

基于 AI 的自主线路流控通过拓扑调整以最大化时间序列 ATCs

PDF
TL;DR本文提出一种基于人工智能的方法来最大化时间序列可用传输能力（ATC），通过自主拓扑控制考虑各种实际约束和不确定性，其中使用了多种人工智能技术，包括监督学习和深度强化学习，并证明了该方法在 2019 年的全球比赛中取得了成功，并且赢得了竞赛的第一名。
发现论文，激发创造
  • 基于强化学习的电力网日前规划及人工智能辅助控制

    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

  • HUGO: 结合深度强化学习与启发式目标拓扑方法的突出显示未见格点选项

    通过使用特定的目标拓扑结构（TTs），以其鲁棒性为基础，本研究提出了一种更全面的自动化电网运行解决方案，采用深度强化学习算法对电网进行拓扑优化，与之前的算法相比，结果表明得分提高了 10％，并且加入 TTs 后，存活率提高了 25％。

    May, 2024

  • 学习运行电网：训练拓扑控制器挑战

    本论文提出了一种使用模仿学习和强化学习来学习电网拓扑控制器的新框架，及其所提出的 “学习运行电力网络” 挑战的设计和结果，同时发展了一个提供性能上限的方法，并提出了剩余未解决的挑战和未来改进方向。

    Dec, 2019

  • 通过拓扑操作管理电网：高级基于规则的和强化学习智能体的比较研究

    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

  • 电力系统拓扑优化的多智能体强化学习

    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

  • 面向拓扑的端到端电力系统可靠性评估机器学习

    本研究探讨使用端到端机器学习直接预测可靠性指标，提出了基于输入特征的系统阻抗矩阵编码的机器学习流程，通过对输电线路的定期维护对特定拓扑变化的影响进行考虑，使用支持向量机和 Boosting Trees 进行训练和比较，实验证明了该方法在可靠性评估中的适用性。

    May, 2022

  • 无线系统的自动 AI 模型选择：通过数字孪生进行在线学习

    现代无线网络架构中，基于人工智能的应用程序通过智能控制器部署实现调度或功率控制功能。本文介绍一种在线优化自动模型选择映射的通用方法，利用上下文信息实现在不需要当前数据的情况下进行理想的映射。通过利用物理系统的数字双胞胎生成模拟数据来纠正仿真器偏差的方法，该方法提出了一种在线优化自动模型选择映射的新方法。实验证明了所提方法在基于图神经网络的功率控制应用方面的显著优势。

    Jun, 2024

  • 能源数字双胞胎中的人工智能：基于强化学习的适应性数字双胞胎模型对绿色城市的应用

    数字孪生（DT）对于实现可持续和有效的智慧城市解决方案至关重要，但现有的 DT 建模技术无法支持智慧城市环境的动态性，本研究探讨了时空图，并提出了基于强化学习的自适应孪生（RL-AT）机制，通过深度 Q 网络（DQN）的方法来填补该空白，该研究在精确性、同步性、资源优化和能源效率方面做出了贡献，时空图模型能够以更一致的精确性提供 55% 更高的查询性能，此外，我们的模型还证明了较低的开销和节能消耗率，实现了合理时间的数据获取，开销下降了 20%，能源消耗下降了 25%。

    Jan, 2024

  • 电力网络拓扑控制的分层强化学习

    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

  • 使用深度强化学习进行电网运行的自主电压控制

    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