Oct, 2022

使用强化学习的 P2P 能源系统能源定价

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 基于前景理论的 Q 学习动态定价自动化 P2P 能源交易

    本文设计了一个自动化的 P2P 能源市场，通过应用展望理论模型用户客观感受和制定优化框架来最大化买家感知和满足需求与生产的匹配。提出基于微分进化的算法来交易能源，同时引入一种名为 PQR 的风险敏感 Q 学习算法来为卖家学习最优价格。实验结果表明我们的方法比最新技术的方法在买家感知价值方面达到 26％的提高，为卖家产生 7％的额外利益。

    Aug, 2022

  • 基于强化学习的奶牛农场点对点能源交易

    农场企业正在采用可再生能源来提高能源效率，减少对化石燃料和电网的依赖。为了解决农场社区的动态性所带来的挑战，开发了多代理点对点奶牛场能源模拟器（MAPDES），提供了一个实验强化学习技术的平台。模拟结果显示，与缺乏点对点能源交易或可再生能源的基准方案相比，MAPDES 实现了显著的成本节约，包括电费减少 43%、峰值需求减少 42% 和能源销售增加 1.91%。

    May, 2024

  • 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

  • 基于近端策略优化的智能家庭太阳能管理

    通过基于 Proximal Policy Optimization (PPO) 的框架，使用循环奖励模型来最大化利润，相比其他简单算法在累积总利润方面取得了 30％以上的改进，该方法在复杂领域如金融市场中进行增强学习算法以规划行动方面表现出良好的潜力，同时提出了一种基于孤立波的长序列嵌入新方法，在使用随机浮点数据增强时表现优于普通嵌入方法。

    Apr, 2024

  • 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

  • 深度强化学习微电网优化策略考虑优先级灵活需求

    在考虑微电网整体环境运营的基础上，本研究针对集中控制的问题，优先考虑各组件响应优先级，利用异步优势演员批评方法模拟优化模型实现多分布式电源的弱耦合调度和灵活负荷供给，保证供电可靠性的同时节约成本。

    Nov, 2022

  • 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

  • 住宅智能电网中智能负载调度的分布式深度强化学习

    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。

    Jun, 2020