Nov, 2022

基于 AlphaZero 的拓扑优化电网拥堵管理

PDF
TL;DR本文提议使用 AlphaZero 算法来优化电网拓扑结构，作为一种无需成本，碳排放较少的电网拥堵管理替代方案。研究结果表明，拓扑优化能够有效降低电网调度需求，并与传统拥堵管理方法兼容。
renewable energypower gridcongestion managementtopology optimizationdecarbonization
发现论文，激发创造
  • 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

  • 学习运行电网：训练拓扑控制器挑战

    本论文提出了一种使用模仿学习和强化学习来学习电网拓扑控制器的新框架，及其所提出的 “学习运行电力网络” 挑战的设计和结果，同时发展了一个提供性能上限的方法，并提出了剩余未解决的挑战和未来改进方向。

    Dec, 2019

  • 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

  • 用可解释的人工智能识别德国电力系统中的拥堵和重分配的驱动因素和缓解措施

    可持续能源供应的转变在多个方面挑战电力系统的运行。本文通过数据驱动的分析，提供了德国输电网堵塞的预测模型，并量化了各因素对堵塞的影响，结果显示风力发电是主要动因，而太阳能发电没有缓解作用，建议通过市场设计改变来减轻堵塞问题。

    Jul, 2023

  • 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

  • HUGO: 结合深度强化学习与启发式目标拓扑方法的突出显示未见格点选项

    通过使用特定的目标拓扑结构（TTs），以其鲁棒性为基础，本研究提出了一种更全面的自动化电网运行解决方案，采用深度强化学习算法对电网进行拓扑优化，与之前的算法相比，结果表明得分提高了 10％，并且加入 TTs 后，存活率提高了 25％。

    May, 2024

  • 通过拓扑操作管理电网：高级基于规则的和强化学习智能体的比较研究

    评估了 Learning to Run a Power Network 竞赛中 Binbinchen 代理的表现，并提供了改进策略，其中最主要的是 N-1 策略，这种策略可使得电网保持稳定性，同时提高了规则代理的性能达到了 27%。

    Apr, 2023

  • 电网拓扑优化中的代理故障检测：一项综合分析

    通过深度强化学习（DRL）对传输网络进行拓扑优化已经成为研究热点。本研究针对电力网格故障进行失败模式识别，并通过多类别预测方法探测故障，最终得出特征重要性分析结果。

    Jun, 2024

  • 面向住宅负荷快速需求响应的多智能体强化学习

    本文研究了如何通过反应需求实现频率调控来整合高比例的可再生能源资源对电力网的影响。作者提出一个分散的代理模型，通过多代理近端政策优化和本地化通信进行训练。同时，文中探讨了两种通信框架：手工设计或通过目标化的多代理通信进行学习。最终的政策可以良好地、稳健地完成频率调节，并可以在恒定处理时间下无缝扩展到任意数量的房屋。

    Jan, 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