Oct, 2021

电力分配网络主动电压控制的多智能体强化学习

PDF
TL;DR本研究使用多智能体强化学习模型解决由去碳化趋势造成的电力网络中的电压拥塞问题，将主要问题转化为 Dec-POMDP 模型并建立开源环境，解决多智能体强化学习在状态可解释性等方面的挑战，为电力社区和多智能体强化学习社区寻求现实应用提供了实践基础和方向参考。
multi-agent reinforcement learningactive voltage controldec-pomdppower networksdecarbonisation
发现论文，激发创造
  • 安全约束的多智能体强化学习在主动电压控制中的应用

    基于多智能体强化学习的安全限制算法，用于解决分布式可控发电机在电力网络中主动电压控制问题，通过在电力分布网络模拟环境中进行实验，证明了该方法与最新的多智能体强化学习方法相比的有效性。

    May, 2024

  • 利用 Transformer 进行多智能体强化学习稳定电力分配网络电压

    本文提出了一种基于 Transformer 架构和 MARL 算法的 T-MAAC 框架来稳定电力分配网络中的电压，并采用一种针对电压控制任务的新型辅助训练过程，以提高样本效率和促进基于 Transformer 模型的代表学习。

    Jun, 2022

  • 一种可扩展的网络感知多智能体强化学习框架用于去中心化逆变器电压控制

    针对分布式发电带来的电网分散电压控制的挑战，本文提出了一种可扩展的网络感知框架，利用网络结构截断评论家的 Q 函数输入，提高可伸缩性并减少训练期间的通信成本，成功在一个拥有 114 个分布式发电源的系统中进行了演示，为日益复杂的电力系统中的分散电压控制提供了有希望的解决方案。

    Dec, 2023

  • 基于时间原型感知的主动电压控制在电力配电网络上的学习

    提出了一种新的时间原型感知学习方法来学习短期训练轨迹下的时变电压控制，该方法在控制性能上不仅超过了现有技术，还提供了模型可转移性。

    Jun, 2024

  • 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

  • 基于在线多智能体强化学习的分散式基于逆变器的电压 - 无功控制

    本文提出了一种在线多智能体强化学习和分散式控制框架以解决基于分布式 Volt/Var 控制（VVC）方法所面临的完整性和通信成本问题。在该框架中，通过采用多智能体约束软演员 - 评论家（MACSAC）强化学习算法进行 VVC 管理，不再需要事先准确的 ADN 模型，从而实现分散式优化控制和有效的通信处理。该 OLDC 框架的数值模拟结果表明，它具有出色的灵活性和适应性，可用于各种计算和通信条件下，在线应用中取得更好的控制效果。

    Jun, 2020

  • 网络系统控制的多智能体强化学习

    本文研究了网络系统控制中的多智能体强化学习问题，提出了基于空间折扣因子的 NMARL 问题并引入了一种可微的通信协议 NeurComm 以提高学习效率和控制性能。实验结果表明，合适的空间折扣因子可以有效提高 MARL 算法的非通讯性学习曲线，而 NeurComm 在学习效率和控制性能方面均优于现有的通信协议。

    Apr, 2020

  • 一种高效的分布式多智能体强化学习用于电动车充电网络控制

    采用一种去中心化的多智能体强化学习充电框架来管理电动汽车的充电，以降低网络成本、减少用电峰值与平均值之比，减少变压器过载风险。

    Aug, 2023

  • 网络化多智能体强化学习用于点对点能源交易

    使用多智能体强化学习 (MARL) 框架，通过特定的供需比例 P2P 结算机制，自动化处理消费者的太阳能光伏和能源储存资源的竞价和管理，以及实现电压控制，确保 P2P 能源交易的物理可行性，并为实际应用铺平道路。

    Jan, 2024

  • 能源网络的多智能体强化学习：计算挑战、进展与开放问题

    电网架构和功能的快速变化以及可再生能源和分布式能源资源的不断增长导致了各种技术和管理挑战。本调研报告探讨了多智能体强化学习（MARL）如何支持能源网络的去中心化和脱碳，并缓解相关的挑战。通过指定管理能源网络中的关键计算挑战，回顾最新的研究进展，以及突显可以使用 MARL 解决的开放性挑战。

    Apr, 2024