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

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

本文提出了一个利用多阶段深度强化学习方法来估计 P Q 灵活性 (PQ area) 在 TSO-DSO 接口，以协调高压网格中的分布式能源资源 (DERs) 以提供灵活性以缓解线路拥堵可能性。估计过程中考虑确定性因素和实际网格规划操作需要的 N-1 安全性准则并对不确定性和热稳态限制具有鲁棒性，该方法的显着改进在于估计 PQ 区域能力计算的计算效率。

Nov, 2022

通过使用强化学习代理进行分层控制架构，通过联邦学习训练，本文介绍了一个名为 FRESCO 的框架，旨在简化能源市场的实施，实现下一代电网的愿景。核心概念是通过使贪婪代理受到来自更高级代理的变化条件的影响，创建一个合作设置，以实现所有个体目标的实现。

Mar, 2024

采用一种去中心化的多智能体强化学习充电框架来管理电动汽车的充电，以降低网络成本、减少用电峰值与平均值之比，减少变压器过载风险。

Aug, 2023

深层多智能体强化学习可实现住宅能量灵活性的可扩展和隐私保护的协调，结果表明，通过使用中心化但分化的评论家，可以在执行前排练协调。

May, 2023

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

使用多智能体强化学习 (MARL) 框架，通过特定的供需比例 P2P 结算机制，自动化处理消费者的太阳能光伏和能源储存资源的竞价和管理，以及实现电压控制，确保 P2P 能源交易的物理可行性，并为实际应用铺平道路。

Jan, 2024

本研究针对分布式能源资源在智能电网中所带来的网络安全威胁，提出了基于 Shapley 值解释和 Ward 最小方差公式动态量化分析攻击风险，实现可靠、公平、透明、可重现、有责任的可信人工智能机制，在最新数据集上验证了该机制的有效性。

Jun, 2023

针对建筑碳减排面临的新挑战，利用 MERLIN 框架和执行家庭需求响应的高级控制架构，通过强化学习控制方法，使得独立 RL - 控制器为电池提供灵活性参与电网需求响应，提高建筑和电网的关键绩效指标并降低培训成本。

Dec, 2022