Apr, 2023

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

PDF
TL;DR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%。
发现论文，激发创造
  • 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

  • 电力网络拓扑控制的分层强化学习

    使用层次强化学习方法控制电网拓扑结构，通过在不同层次应用强化学习算法，实现电网操作的长期目标且在困难任务上超越其他方法。

    Nov, 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

  • 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

  • 基于动作集的安全电网管理策略优化

    本文提出了一种基于搜索规划算法的新方法解决强化学习中存在的环境约束问题，同时采用黑盒策略优化的进化策略来训练策略直接优化。在 NeurIPS L2RPN 竞赛中，我们的解决方案在两个轨道中均名列第一，能够有效管理电网并确保其地安全性。

    Jun, 2021

  • 使用深度强化学习进行电网运行的自主电压控制

    本文提出了一种新的范式 Grid Mind，使用深度强化学习进行自主电网运行控制。 通过与大规模离线模拟的交互，所提出的人工智能代理可以学习其控制策略，并适应包括负荷 / 发电变化以及拓扑变化在内的新变化，然后在 IEEE 14 总线系统上进行了测试，并展示了在运用自主电压控制进行安全电网运行方面的良好表现。

    Apr, 2019

  • GridLearn：用于格网感知建筑能源管理的多智能体强化学习

    本研究表明，多智能体强化学习可用于通过智能逆变器和智能建筑能源管理系统控制建筑内资源，实现电网水平目标，并保护建筑物业主的隐私和舒适度。作为案例研究，我们考虑使用可控建筑负载、储能和智能逆变器在 IEEE-33 总线网络上进行电压调节。结果表明，强化学习代理通常通过 34％降低欠电压和过电压的发生率。

    Oct, 2021

  • 基于图卷积神经网络的多智能体强化学习：电力市场发电策略的最优化竞价策略

    本研究提出了一种基于 DRL 和 GCN 的分布式学习算法，使代理人能够通过从环境中获取反馈来改进投标策略并增加利润，同时将空间系统拓扑的信息输入到 GCN 中，帮助代理人了解系统结构并提高决策的准确性。在 IEEE 30-bus 系统和 IEEE 39-bus 系统的测试中表明该算法具有较好的泛化能力和更高的利润。

    Aug, 2022

  • PowRL：电力网络稳健管理的强化学习框架

    本文介绍了一种使用强化学习（RL）框架 PowRL 来缓解意外事件的影响以及在网络中随时可靠地维持电力的方法，该框架利用一种新颖的过载管理启发式以及基于 RL 指导的最佳拓扑选择来确保网络安全可靠运行，并在多个竞赛数据集中表现出最先进的性能。

    Dec, 2022

  • 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