Apr, 2022

基于强化学习电网调度的长期可再生能源预测的置信度估计变压器

PDF
TL;DR本文提出了一种基于增强学习的电网分配系统中可信度估计 Transformer，以预测可再生能源的长期输出并降低预测误差，同时采用调度必要性评估机制来决定每个发电机的有功输出是否需要调整，实验结果表明 Conformer-RLpatching 算法在安全性得分方面比第二名 DDPG 算法提高了 25.8%，并在同一仿真环境下达到了国家电网公司赞助的电网调度比赛金牌队伍的总奖励更优的效果。
renewable energytransformerreinforcement learninggrid dispatchinglong-term forecasting
发现论文，激发创造
  • 应用增强学习和时间序列预测技术解决风能和分布式光伏能源不确定性问题

    本文提出了一个新的框架，使用长短期记忆（LSTM）时间序列预测和深度确定性策略梯度 (DDPG) 多智能体强化学习算法来解决可再生能源不确定性在智能电网中带来的挑战和分布能源管理中的新挑战，旨在同时考虑两个目标，从而实现对批发和零售市场的高效能源管理，并证明建议的解决方案显着提高了载荷服务实体（LSE）的利润，同时使用 DDPG 代理实现人工智能电池充电 / 放电，以最大化分布式 PV 和电池安装用户的利润。

    Feb, 2023

  • 基于规划的强化学习实现可再生能源电力系统的实时调度

    该研究利用最新的强化学习算法和真实的电力网络环境，提出了一种系统的解决方案来解决传统能源调度面临的问题，并为电力系统提供了一个可持续的低碳未来。

    Mar, 2023

  • 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

  • 带安全强化学习的应急情况受限经济调度

    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

  • 基于深度强化学习的 TSO-DSO 协同拥堵管理下抗 N-1 攻击的高压电网灵活性估计

    本文提出了一个利用多阶段深度强化学习方法来估计 P Q 灵活性 (PQ area) 在 TSO-DSO 接口，以协调高压网格中的分布式能源资源 (DERs) 以提供灵活性以缓解线路拥堵可能性。估计过程中考虑确定性因素和实际网格规划操作需要的 N-1 安全性准则并对不确定性和热稳态限制具有鲁棒性，该方法的显着改进在于估计 PQ 区域能力计算的计算效率。

    Nov, 2022

  • 具有部分测量可用性的完全疗愈缩短的端到端强化学习

    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

  • 实现长期时间序列预测：特征、模式和分布

    本论文讨论了长期时间序列预测 (LTTF) 中的 Transformer 模型，提出了一种有效的基于 Transformer 的模型 Conformer，采用编码器 - 解码器架构和正则化流派生的模块进一步提高信息利用率，并显式地建模时间序列数据中的互系列相关性和时间动态以加强下游自我关注机制，实验表明 Conformer 模型在 LTTF 中优于现有的方法，并可生成可靠的预测结果与不确定性量化。

    Jan, 2023

  • 强化学习推进可再生电力消费

    为了解决再生能源的间歇性对无碳电力发电的最大挑战，我们提出了一种电力定价代理，采用增强学习方法实现定价策略，通过价格信号鼓励顾客将用电需求转向高再生能源时段。

    Mar, 2020

  • 电力市场中光伏发电的随机决策的一致性预测

    该论文研究了使用符合性预测（CP）这种新兴的概率预测方法对光伏发电功率进行次日预测，以提高其参与电力市场的效果。研究结果表明，将 CP 与最近邻和 / 或 Mondrian binning 相结合优于线性分位数回归器，将 CP 与特定的竞标策略相结合，可以在最小化能量不平衡的同时获得高利润。

    Mar, 2024

  • 未来能源与碳中和的强化学习挑战设计

    本研究探讨了随着气候变化对能源生产和消费管理的需求的增加，如何利用深度增强学习算法管理未来的法国电力网络，促进使电力运输网络更好地平衡生产和消费、最小化能量损失以及尽可能地确保人员和设备安全，旨在达到 2030 年法国碳排放净零的目标。

    Jul, 2022