Jul, 2023

微电网能量管理的多目标强化学习框架

PDF
TL;DR本文提出了一种新颖的多目标强化学习框架，可以探索高维的目标空间并发现冲突目标之间的权衡，该框架利用强化学习的数据驱动特性，可在不需要长期预测或对根本不确定性的了解的情况下进行参数化政策的训练，用于 Cornell 大学微电网（CU-MG）的实验结果证明了该框架的效果。
microgridmulti-objective reinforcement learningdecarbonizationdecentralizationoperational tradeoffs
发现论文，激发创造
  • 利用改进的多智能体软 actor-critic 算法进行多微电网协同优化调度

    本研究提出一种基于多智能体集中培训分布执行框架的多微电网协同优化调度模型，并采用改进的多智能体软演员 - 评论家算法 (MASAC) 和自动机器学习 (AutoML) 对其进行优化，以提高深度强化学习的泛化能力，实现不同实体之间的电能互补，降低多微电网系统运营成本，并在经济性和计算效率方面显著优于其他最先进的强化学习算法。

    Apr, 2023

  • 基于深度强化学习的微电网联合能量调度和机组启停

    应用深度强化学习算法 (HAFH-DDPG)，在离网微电网中实现联合能量调度和机组启停决策来减少总发电成本，并支持简化后的行动空间。

    Jun, 2022

  • 基于多智能体随机博弈和强化学习的共享能量存储多微电网系统协同优化

    提出了一种采用共享储能的数据驱动的多微网系统策略，通过应用混合注意力方法、多智能体软 Actor-Critic 和多智能体 Win or Learn 快速政策 Hill-Climbing 对局部可观察的动态随机博弈问题进行求解，实验结果表明该方案能有效地降低主电网能量波动并减少成本。

    Jun, 2023

  • MAHTM：一种用于分层交易微电网的多智能体框架

    该论文提出了一种多智能体强化学习框架，以优化微网中可用资源的使用，通过最小化碳足迹和收益所有利益相关者来解决可再生能源网络集成的挑战。

    Mar, 2023

  • 深度强化学习微电网优化策略考虑优先级灵活需求

    在考虑微电网整体环境运营的基础上，本研究针对集中控制的问题，优先考虑各组件响应优先级，利用异步优势演员批评方法模拟优化模型实现多分布式电源的弱耦合调度和灵活负荷供给，保证供电可靠性的同时节约成本。

    Nov, 2022

  • 基于深度强化学习的物联网驱动智能孤岛微电网最优调度

    本文使用深度强化学习技术研究了 IoT 驱动孤立微电网中柴油发电机（DG）的调度问题。旨在在可再生能源不确定性情况下充分利用可再生能源，通过离散 - 连续混合动作空间的 DRL 算法解决了二进制 DG 开关决策和连续能量调度决策，并针对旋转备用的情况提出了 POMDP 模型，实验显示其性能要优于同类算法。

    Apr, 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

  • 使用强化学习的 P2P 能源系统能源定价

    该研究介绍了一种基于强化学习框架的价格优化方法，以帮助解决分布式可再生能源和能源消费带来的价格不确定性问题，实现点对点微电网的实际部署。实验结果表明：该框架可灵活应对微电网各个组成部分的利益，对消费者和多余发电者的数量比例也有所考虑，并且能够在不同的电池容量情况下实现系统的利润最大化。

    Oct, 2022

  • 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

  • PowerGridworld: 电力系统中多智能体强化学习框架

    本研究介绍了 PowerGridworld 软件包，它是一个轻量级、模块化、可定制的框架，用于创建面向电力系统的多智能体 Gym 环境，并可与现有的强化学习训练框架集成。通过两个案例研究，证明了 PowerGridworld 可以快速实现多智能体 RL 策略的学习，并支持多设备、组合式的电力系统。

    Nov, 2021