负载聚合中的可预测性与公平性（带死区）
现代电力系统集成可再生分布式能源资源作为一种环境友好的增强措施，以满足不断增长的需求。然而，可再生能源固有的不可靠性使得开发分布式能源资源管理算法变得迫在眉睫。我们在由多个分布式能源资源组成的系统中研究能量共享问题，每个代理在其邻域内收集和分配可再生能源，以优化网络性能并尽量减少能量浪费。我们将这个问题建模为带约束的赌博性凸优化问题，约束对应于每个节点的能量生产限制。我们提出了分布式决策策略来解决所制定的问题，其中我们利用动态遗憾作为性能指标。我们还在我们开发的算法中设计了一种调整策略来减少约束违规。此外，我们设计了一种处理非平稳环境的策略。理论分析表明我们提出的算法的有效性。使用真实数据集进行的数值实验显示，我们的提案相比现有方法具有更优越的性能。
May, 2024
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
本文提出了一种新的分布式能源聚合框架，其中包括多智能体架构和各种机制，用于有效管理和高效整合 Smart Grid 中的分布式能源，特别是当使用 CRPS 评分规则作为选择机制时，在与传统商业聚合器比较时，我们的框架导致参与者的平均支付增加。
Jul, 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
该研究提出了一种基于在线学习的预测区间（PI）估计方法，该方法利用强化学习的在线学习能力来适应不同的数据分布，并通过神经网络模型自适应确定对称或不对称的概率比例对于分位数。该方法能够更好地适应数据分布，并获得更高质量的 PI，同时还具有更强的概念漂移鲁棒性。
May, 2022
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
该研究提出了一种基于深度确定性策略梯度（DDPG）框架的无模型负荷频率控制方法，通过建立仿真器网络来模拟电力系统动力学，实现了对非线性电力系统的控制，并通过零阶优化（ZOO）和反向传播算法有效地优化了演员网络控制器。仿真结果表明，该设计的控制器能够生成适当的控制动作，并对非线性电力系统具有较强的适应性。
Mar, 2024
通过可解释的机器学习分析，研究了欧洲同步区之间高压直流电 (HVDC) 连接的功率不平衡与功率流对电网频率的相互作用，结果显示，市场基础的 HVDC 流量会引入确定性频率偏差，但通过对严格的斜率极限的控制可以减轻偏差，同时负载 - 频率控制过程会对频率稳定性产生控制或干扰类的影响。
Apr, 2022
该研究通过训练一组深度强化学习智能体来自动化参与 ALEX 社区能源市场，揭示了账单减少与减少净负荷变动之间的明确关联。在使用开源数据集评估净负荷变动的影响时，代理与多个基准进行了比较，显示出有前景的性能水平，接近近似最优动态规划基准。
Apr, 2024