使用层次强化学习方法控制电网拓扑结构,通过在不同层次应用强化学习算法,实现电网操作的长期目标且在困难任务上超越其他方法。
Nov, 2023
电网架构和功能的快速变化以及可再生能源和分布式能源资源的不断增长导致了各种技术和管理挑战。本调研报告探讨了多智能体强化学习(MARL)如何支持能源网络的去中心化和脱碳,并缓解相关的挑战。通过指定管理能源网络中的关键计算挑战,回顾最新的研究进展,以及突显可以使用 MARL 解决的开放性挑战。
Apr, 2024
评估了 Learning to Run a Power Network 竞赛中 Binbinchen 代理的表现,并提供了改进策略,其中最主要的是 N-1 策略,这种策略可使得电网保持稳定性,同时提高了规则代理的性能达到了 27%。
Apr, 2023
本文回顾了多智能体强化学习的一个分支领域 —— 网络化智能体下的去中心化多智能体强化学习。该领域的研究主要集中在多个代理在公共环境中执行顺序决策,而无需任何中央控制器的协调。代理可以通过通信网络与其邻居交换信息。此设置在机器人,无人驾驶车辆,移动传感器网络和智能电网的控制和操作中具有广泛应用。
Dec, 2019
通过使用特定的目标拓扑结构(TTs),以其鲁棒性为基础,本研究提出了一种更全面的自动化电网运行解决方案,采用深度强化学习算法对电网进行拓扑优化,与之前的算法相比,结果表明得分提高了 10%,并且加入 TTs 后,存活率提高了 25%。
May, 2024
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
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
基于多智能体强化学习的安全限制算法,用于解决分布式可控发电机在电力网络中主动电压控制问题,通过在电力分布网络模拟环境中进行实验,证明了该方法与最新的多智能体强化学习方法相比的有效性。
无线网络中的动态优化策略是一个重要的研究领域,本文提出了一种使用图神经网络的方法,将分布式代理之间的动态相互作用建模,并在网络优化问题中实现了较好的泛化能力验证
本文提出了一种基于 Transformer 架构和 MARL 算法的 T-MAAC 框架来稳定电力分配网络中的电压,并采用一种针对电压控制任务的新型辅助训练过程,以提高样本效率和促进基于 Transformer 模型的代表学习。
Jun, 2022