强化学习在电网级联故障缓解中的应用
使用物理引导的强化学习框架来识别有效的实时补救前瞻决策序列以避免黑 out,该框架考虑了包括离散值传输线开关决策和连续值发电机调整在内的控制动作空间,并使用关联于电力传输网络的潮流灵敏度因子来指导强化学习探索。
Jan, 2024
提出了一种面对对抗式网络事件的具有弹性控制设计的新型联邦增强学习方法,并将所学习的控制策略通过仿真与实际测试平台的转移来减少仿真与实际之间的差距。
Nov, 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
通过基于图神经网络的无流模型,我们能够预测由分支故障引起的电力故障级联,评估模型并与其他影响模型进行比较,结果表明该模型优于其他模型,并且降低计算时间近两个数量级。
Apr, 2024
应用深度强化学习算法解决最优潮流问题,介绍了两种解决该问题的经典算法,讨论了 Vanilla DRL 应用的缺点,并提出了改进性能的算法,同时提出了 OPF 奖励函数,以解决 DRL 内在问题。
May, 2022
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
通过离线训练神经网络模型,我们提出了一种分散设计,用于在发生意外情况时自动构建最优负荷放电解决方案,以提高电力系统的韧性和应急响应能力。在 IEEE 118 节点系统和合成的德克萨斯 2000 节点系统上的数值研究表明,我们的可扩展负荷放电解决方案设计在及时进行电力系统应急操作方面具有高效和有效性。
May, 2024
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
我们提出了基于近端策略优化的概率约束强化学习算法,通过使用 Lagrangian relaxation 将约束优化问题转换为无约束目标,从而在先进的核电厂设计中实现了最小违规距离和违规率。
Jan, 2024
在未来的电力系统中,将大量依赖于具有高比例的分散式可再生能源和能量存储系统的微电网。出于复杂性和不确定性的原因,在这种情境下的传统能源调度策略可能不可行,利用基于强化学习的控制器可以解决这一挑战,但不能提供安全保障,于是我们提出了一种经过正式验证的基于强化学习的经济调度控制器,来克服这种局限性。
May, 2022