本文针对需求侧能源管理问题，提出了一种基于智能电网环境的多智能体深度强化学习算法，可以在保证可扩展性和隐私保护的前提下利用即时观测和价格信号来最小化总体成本，并降低家庭总能耗的峰谷比和电力费用。

May, 2020

本研究通过多目标优化模型探讨微电网的运营和环境成本之间的关系，通过集成遗传算法、模拟退火、蚁群优化和粒子群优化等多种优化算法，提出了一种整合方法进行微电网优化。模拟结果揭示了经济和环境分派下，这些算法提供了不同的调度结果，揭示了柴油发电机和微型燃气涡轮在微电网中的不同作用。总体而言，本研究为微电网设计和运营提供了深入的见解和实际指导。

Oct, 2023

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

本文探讨了为游牧社区设计和规划移动多能源供应系统的策略，并采用深度强化学习（DRL）作为设计和规划问题的解决方案，结果表明游牧能源系统在技术和经济上都是可行的，特别是在考虑灵活性时，对可用基线值的潜在改进高达 25％，67％和 76％。

Dec, 2022

本文提出基于教师学习优化的框架和基于双向长短期记忆的深度学习模型的组合，以实现考虑能量储存装置、风力涡轮机、微型涡轮机的可再生微网的优化调度。结果表明，本文提出的框架在微电网的优化调度方面是有效的和高效的。

Jul, 2022

本研究提出一种基于多智能体集中培训分布执行框架的多微电网协同优化调度模型，并采用改进的多智能体软演员 - 评论家算法 (MASAC) 和自动机器学习 (AutoML) 对其进行优化，以提高深度强化学习的泛化能力，实现不同实体之间的电能互补，降低多微电网系统运营成本，并在经济性和计算效率方面显著优于其他最先进的强化学习算法。

Apr, 2023

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

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

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

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