Jul, 2023

面向日前市场的虚拟电力厂战略出价安全强化学习

PDF
TL;DR该论文提出了一种新颖的安全强化学习算法，用于虚拟电力厂在日前电力市场上的战略竞标，同时考虑了虚拟电力厂内部复杂的物理约束，并结合 DDPG 方法设计了投影安全屏障和奖励机制，最终在 IEEE 13-bus 网络上展示了提出方法的有效性。
发现论文，激发创造
  • 电厂监控的安全强化学习算法

    我们提出了基于近端策略优化的概率约束强化学习算法，通过使用 Lagrangian relaxation 将约束优化问题转换为无约束目标，从而在先进的核电厂设计中实现了最小违规距离和违规率。

    Jan, 2024

  • 深度强化学习在负荷、光伏发电和能源价格不确定性下的社区储能调度

    本文介绍了一种基于软演员 - 评论家算法的深度增强学习策略，以调度社区电池系统，解决分布式能源资源整合、峰值负荷调控和能源价格波动问题。通过比较不同增强学习算法，结果表明软演员 - 评论家算法在社区电池调度中表现最佳。

    Dec, 2023

  • 深度强化学习下的优化经济燃气轮机调度

    对于加拿大阿尔伯塔省的案例研究中，通过将西门子公司提供的热力学软件纳入环境模型，并通过模拟不确定性，如电力价格、负载和环境条件的变化，我们实施了三种常见的深度强化学习算法来处理经济型燃气轮机调度问题。在所测试的算法和基准方法中，深度 Q 网络（DQN）获得了最高的奖励，而近端策略优化（PPO）是最高效的方法。我们进一步提出并实施了一种动态分配燃气轮机运行和维护成本的方法，基于运行时间和循环数，与现有方法相比，我们的方法更好地近似了现代燃气轮机调度的真实成本，因此导致了更现实的策略。

    Aug, 2023

  • 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

  • 在线建筑能量优化使用深度强化学习

    本研究首次探讨使用深度强化学习在智能电网环境下实现建筑能源管理系统的在线调度优化，所提出的方法被验证可用于大规模数据资源中，如 Pecan Street Inc. 数据库，并且可以提供实时反馈以鼓励电能的更高效利用。

    Jul, 2017

  • 应用增强学习和时间序列预测技术解决风能和分布式光伏能源不确定性问题

    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

  • 海上风电场投标的情境强化学习

    提出了一个应用强化学习于情境性两阶段随机优化问题的框架，并将该框架应用于离岸风场能源市场竞标问题；通过使用 DDPG 算法进行训练的初步结果；提出了改进性能的未来步骤。

    Dec, 2023

  • 基于模型的深度强化学习电压控制策略高效学习

    提出了一种基于模型的深度强化学习方法，用于设计短期电压稳定性问题的紧急控制策略，并使用基于深度神经网络 的动态代理模型进行训练，最终在 IEEE 300 总线测试系统上实现了 97.5% 的样本效率和 87.7% 的训练效率。

    Dec, 2022

  • 面向配电网络中电动汽车充电站管理的安全感知强化学习

    该研究论文介绍了一种安全感知的强化学习算法，用于管理电动车充电站，并确保满足系统约束。该算法不依赖于对约束违规的显式惩罚，而且能在不确定环境中学习模式，以提高对电动车充电的管理效果。

    Mar, 2024

  • 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