Nov, 2021

PowerGridworld: 电力系统中多智能体强化学习框架

PDF
TL;DR本研究介绍了 PowerGridworld 软件包，它是一个轻量级、模块化、可定制的框架，用于创建面向电力系统的多智能体 Gym 环境，并可与现有的强化学习训练框架集成。通过两个案例研究，证明了 PowerGridworld 可以快速实现多智能体 RL 策略的学习，并支持多设备、组合式的电力系统。
发现论文，激发创造
  • 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

  • CommonPower: 为智能电网超级加速机器学习

    通过 CommonPower，我们提供了第一个模块化框架，可以用来实现一个安全的增强学习控制器，并且涵盖了单一代理和多代理的训练算法，以及基于符号方程的模型预测控制方法。

    Jun, 2024

  • PowRL：电力网络稳健管理的强化学习框架

    本文介绍了一种使用强化学习（RL）框架 PowRL 来缓解意外事件的影响以及在网络中随时可靠地维持电力的方法，该框架利用一种新颖的过载管理启发式以及基于 RL 指导的最佳拓扑选择来确保网络安全可靠运行，并在多个竞赛数据集中表现出最先进的性能。

    Dec, 2022

  • GridLearn：用于格网感知建筑能源管理的多智能体强化学习

    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

  • 通过自适应图形的无线网络中的多智能体强化学习功率控制

    无线网络中的动态优化策略是一个重要的研究领域，本文提出了一种使用图神经网络的方法，将分布式代理之间的动态相互作用建模，并在网络优化问题中实现了较好的泛化能力验证

    Nov, 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

  • 微电网能量管理的多目标强化学习框架

    本文提出了一种新颖的多目标强化学习框架，可以探索高维的目标空间并发现冲突目标之间的权衡，该框架利用强化学习的数据驱动特性，可在不需要长期预测或对根本不确定性的了解的情况下进行参数化政策的训练，用于 Cornell 大学微电网（CU-MG）的实验结果证明了该框架的效果。

    Jul, 2023

  • 基于动作集的安全电网管理策略优化

    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

  • 多市场可再生能源优化及强化学习

    该研究介绍了一种深度强化学习框架，用于优化可再生能源和储能发电厂的操作，以最大化能源市场收益，同时最小化储能损耗成本和可再生资源废弃。

    Jun, 2023

  • 使用强化学习的 P2P 能源系统能源定价

    该研究介绍了一种基于强化学习框架的价格优化方法，以帮助解决分布式可再生能源和能源消费带来的价格不确定性问题，实现点对点微电网的实际部署。实验结果表明：该框架可灵活应对微电网各个组成部分的利益，对消费者和多余发电者的数量比例也有所考虑，并且能够在不同的电池容量情况下实现系统的利润最大化。

    Oct, 2022