Jun, 2020

住宅智能电网中智能负载调度的分布式深度强化学习

PDF
TL;DR论文介绍了一个利用分布式深度强化学习模型实现智能管理家庭用电的方法，这个方法可以保护用户隐私，以降低电网运营成本，减少家庭用电费用，实现用电峰谷负荷比例和负荷方差分别降低 12% 和 11% 的效果。
power consumptionintelligent managementdistributed deep reinforcement learningelectricity billsnon-cooperative stochastic game
发现论文，激发创造
  • 基于多智能体深度 Actor-Critic 学习的智能电网需求侧调度

    本文针对需求侧能源管理问题，提出了一种基于智能电网环境的多智能体深度强化学习算法，可以在保证可扩展性和隐私保护的前提下利用即时观测和价格信号来最小化总体成本，并降低家庭总能耗的峰谷比和电力费用。

    May, 2020

  • 考虑终端用户灵活性的电动汽车充电的最优调度

    使用深度强化学习（特别是深度 Q 网络）确定户用电动汽车的成本减少充电策略，该策略可为终端用户节约超过 20% 的电费开支。

    Oct, 2023

  • 在线建筑能量优化使用深度强化学习

    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

  • 面向住宅负荷快速需求响应的多智能体强化学习

    本文研究了如何通过反应需求实现频率调控来整合高比例的可再生能源资源对电力网的影响。作者提出一个分散的代理模型，通过多代理近端政策优化和本地化通信进行训练。同时，文中探讨了两种通信框架：手工设计或通过目标化的多代理通信进行学习。最终的政策可以良好地、稳健地完成频率调节，并可以在恒定处理时间下无缝扩展到任意数量的房屋。

    Jan, 2023

  • 一个家庭群集的强化学习能源协调在真实世界中的实施

    通过观测室内数据，我们展示了一种实施简便且易于扩展的强化学习方法，该方法在一个真实世界的场景中验证了基于层次控制系统的协调策略的可行性，并展示了满意的电能追踪效果。

    Oct, 2023

  • 分布式能源资源的分散协调通过本地能源市场和深度强化学习

    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

  • 深度强化学习驱动的跨社区能源互动最佳调度

    该研究提出了一种综合调度模型，利用多智能体深度强化学习算法学习不同社区的负载特征，并基于这些知识做出决策，以在不确定条件下协调各社区之间的能源交互和多能源子系统之间的能量转换，实现综合能源系统的整体优化和调度。模拟结果表明，该方法有效捕捉到不同社区的负载特征，并利用它们的互补特性，在它们之间协调合理的能源交互，从而将风电弃能率从 16.3% 降低到 0%，并降低了 5445.6 元的总运营成本，具有显著的经济和环境效益。

    Aug, 2023

  • 基于深度强化学习的住宅家庭中隐私代价权衡的主动负载整形策略

    提出了一种基于深度强化学习的负载整形算法 (PLS-DQN)，通过主动创建人工负载签名来误导潜在攻击者，旨在保护用户隐私，同时保持成本效益。评估结果表明，该方法不仅有效隐藏真实能源使用模式，而且在提高用户隐私的同时也超越了最先进的方法。

    May, 2024

  • 基于深度强化学习的物联网驱动智能孤岛微电网最优调度

    本文使用深度强化学习技术研究了 IoT 驱动孤立微电网中柴油发电机（DG）的调度问题。旨在在可再生能源不确定性情况下充分利用可再生能源，通过离散 - 连续混合动作空间的 DRL 算法解决了二进制 DG 开关决策和连续能量调度决策，并针对旋转备用的情况提出了 POMDP 模型，实验显示其性能要优于同类算法。

    Apr, 2023

  • 使用集体行为熵进行大规模家庭能源管理的连续多智能体控制

    本研究提出了一种集体的 MA-DRL 算法以及一个新型预测模型和集体行为熵，以在大规模微电网中提供细粒度控制，减轻微电网环境的不稳定性，并显著提高电力成本降低和峰值负荷优化方面的性能。

    May, 2020