电力网络拓扑控制的分层强化学习
本文实现了一种具有层次决策制定的模型用于电网可靠性管理,使用强化学习算法学习实时电网可靠性的抽象,该算法交替进行快慢时间尺度的价值函数逼近和策略改进,并与先前的启发式算法进行比较,结果表明本方法的优越性。
Mar, 2016
本论文提出了一种使用模仿学习和强化学习来学习电网拓扑控制器的新框架,及其所提出的“学习运行电力网络”挑战的设计和结果,同时发展了一个提供性能上限的方法,并提出了剩余未解决的挑战和未来改进方向。
Dec, 2019
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
本文介绍了一种使用强化学习(RL)框架PowRL来缓解意外事件的影响以及在网络中随时可靠地维持电力的方法,该框架利用一种新颖的过载管理启发式以及基于RL指导的最佳拓扑选择来确保网络安全可靠运行,并在多个竞赛数据集中表现出最先进的性能。
Dec, 2022
本文介绍一种基于机器学习的拓扑优化代理和重新派遣优化器的拥堵管理方法,该方法在L2RPN 2022竞赛中排名第一,并将其应用于实际电力网操作中,证明了其效益和局限性,为明天的电网部署RL代理铺平了道路。
Feb, 2023
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
该论文提出了一种适用于扩展动作空间的分层多智能体强化学习(MARL)框架,利用电网固有的分层结构,用于管理大规模的电力网络,并且实验结果表明该框架的性能与单智能体强化学习方法相当。
Oct, 2023
通过观测室内数据,我们展示了一种实施简便且易于扩展的强化学习方法,该方法在一个真实世界的场景中验证了基于层次控制系统的协调策略的可行性,并展示了满意的电能追踪效果。
Oct, 2023
利用深度学习方法以解决传统方法在电网应用中的灵活性不足所带来的可再生能源和分布式电力生成带来的挑战的文章中,重点分析了图神经网络在电力网中捕捉图结构以提高表示学习和决策制定能力的能力,同时探讨了强化学习与图神经网络之间的协同作用,尤其将GRL用于自动化电网管理、拓扑控制和电压调节等应用。然而,尽管GRL在面对不可预测事件、噪声或不完整数据时显示出适应性,但目前它主要是一个概念验证。在实际电力系统运行中,仍然需要解决许多开放性挑战和限制问题。
Jul, 2024
本研究针对可再生能源发电日益增长所带来的电网控制挑战,提出了一种基于数据的领域无关算法,用于估计状态与动作组件之间的相关性。该算法能够将高度相关的状态-动作对组合在一起,形成更简单且可能独立的子问题,降低计算和数据需求,从而为分布式强化学习提供了理论基础,提升现有解决方案的有效性。
Sep, 2024