Jun, 2023

面向需求响应的最优定价 —— 非参数约束策略优化方法

PDF
TL;DR本文提出了一种创新的非参数约束策略优化方法，解决了基于价格的需求响应问题中，如何保证策略的稳定性和最优性的问题，并且采用一种高效的策略优化算法，得到了比现有强化学习算法更好的表现。
demand responsereinforcement learningpolicy optimizationstabilityoptimality
发现论文，激发创造
  • 使用强化学习进行多个电动汽车充电站需求响应协调的优化成本函数

    本研究基于强化学习模型，使用马尔可夫决策过程来协调多个充电站，通过提出改进的成本函数使得学到的控制策略始终满足不具备任何灵活性的充电需求，同时使用真实世界数据对比了两种方法在负荷平整的情况下学习强化策略的性能和策略决策的总体性能。

    Mar, 2022

  • 利用设备基于强化学习的最优需求响应

    本文提出了一种新型的供需响应问题的全自动能源管理系统的调度问题的强化学习方法，并以 Q 学习算法为例，通过对代表性例子的模拟结果进行了演示。

    Jan, 2014

  • 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

  • 利用强化学习实现多个电动汽车充电点的计算效率协同

    本文提出使用强化学习和马尔科夫决策过程 (MDP) 来协调多个电动汽车充电点，通过减少训练时间和使用线性空间和时间复杂度的新 MDP 公式，改善了业内现有技术，提高了充电需求协调达 40-50％的性能。

    Mar, 2022

  • 基于数据驱动的需求响应在线互动竞标策略

    本文提出一种使用智能电表数据和功能，同时确定投标和购买策略，基于历史招标经验学习的双代理深度确定性策略梯度方法来优化招标和购买决策，并通过在线学习确保趋势跟踪和自适应，结果表明该模型可以通过离线 / 在线学习投标规则并稳健地进行适当的出价，在面对多种情况时获得最优利润。

    Feb, 2022

  • 基于增广 Lagrangian 的深度强化学习电动汽车充电调度方法

    本文旨在解决电动汽车在参与需求响应时如何优化充电 / 放电计划的问题。通过将问题建模为约束马尔可夫决策过程并采用增广拉格朗日方法和软性演员评论算法，提出了一种新的安全非同步策略优化强化学习方法，能够显著提高方案最优性和约束限制的达成。

    Sep, 2022

  • 多市场可再生能源优化及强化学习

    该研究介绍了一种深度强化学习框架，用于优化可再生能源和储能发电厂的操作，以最大化能源市场收益，同时最小化储能损耗成本和可再生资源废弃。

    Jun, 2023

  • 住宅智能电网中智能负载调度的分布式深度强化学习

    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

  • 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

  • 电动汽车充电的基于价格的需求响应的学习与优化

    这篇论文提出了一个新的决策为中心的端到端框架，将模型学习阶段中的预测误差和下游优化成本误差相结合，用于准确预测充电需求并优化充电站功率分配策略，实验证明该框架能够提供更可靠的预测模型，从而在仅有少量训练样本的情况下实现更有效的成本节约和充电站运营目标优化。

    Apr, 2024