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
本研究提出了一种基于深度强化学习的算法来协调多个智能逆变器,以更有效地利用逆变器反应功率来满足电网电压的操作限制,该算法能够通过与海量离线模拟的交互来学习其策略,并适应负载和太阳能变化。在 IEEE 37 节点系统上,训练良好的 DRL 代理可智能地协调不同的 SI,以维持电网电压在允许范围内,实现减少 PV 生产限制和降低系统损失的目标。
Oct, 2019
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
我们解决了太阳能电池板和电池配备的电动汽车(EV)的充电调度的复杂挑战,特别是在分布外(OOD)条件下。我们引入了一种新的学习增强策略,通过实时适应强化学习策略的表现来使用动态的鲁棒性预算,从而在 EV 充电调度中更有效地平衡一致性和鲁棒性,显著提高适应性和效率。
Nov, 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
该研究探讨了太阳能电池储能系统与经济潜力开发中的备用功能,通过模型建立了一个双重马尔可夫决策过程,应用了一种新型深度强化学习算法来提高收益优化和降低能源浪费。
Jan, 2024
本文提出了一种基于联合出价的优化策略,通过深度强化学习将风电场和 BESS 的竞价市场融合,有效缓解了风力抑制和电量储存的问题,并在实验中验证了该策略的可行性和优越性
Apr, 2023
使用物理引导的强化学习框架来识别有效的实时补救前瞻决策序列以避免黑 out,该框架考虑了包括离散值传输线开关决策和连续值发电机调整在内的控制动作空间,并使用关联于电力传输网络的潮流灵敏度因子来指导强化学习探索。
通过模型无关的强化学习方法,在失衡结算机制中提出了一种新的用于电池的安全能源套利策略的控制框架。
Apr, 2024
该研究提出了一种新的分布式电网电压调节方案,通过巧妙地耦合数据驱动与基于物理的优化来解决电动汽车和可再生发电设备带来的电压波动问题,并利用深度强化学习算法在每小时更慢的时间尺度上配置电容器最小化长期折扣电压偏差。
Apr, 2019