Nov, 2023

使用垂直联邦强化学习的网络微电网的韧性控制：设计与实时测试验证

HTML
PDF
TL;DR提出了一种面对对抗式网络事件的具有弹性控制设计的新型联邦增强学习方法，并将所学习的控制策略通过仿真与实际测试平台的转移来减少仿真与实际之间的差距。
发现论文，激发创造
  • 使用集体行为熵进行大规模家庭能源管理的连续多智能体控制

    本研究提出了一种集体的MA-DRL算法以及一个新型预测模型和集体行为熵，以在大规模微电网中提供细粒度控制，减轻微电网环境的不稳定性，并显著提高电力成本降低和峰值负荷优化方面的性能。

    May, 2020

  • 基于对抗性韧性学习架构的复杂智能建模，探索和运行复杂的网络物理系统

    本文介绍了 Adversarial Resilience Learning（ARL）概念，其定义了两个代理类，即攻击者和防御者，这两个代理机器人在没有任何领域知识的情况下互相探索和训练，并且可以使用广泛的模型自由和模型基础的深度强化学习算法，例如在复杂的电力网络上运行实验，以实现复杂环境下的检查和弹性运行。

    May, 2020

  • 使用对抗训练提高强化学习在电力系统控制中的鲁棒性

    本文针对电网控制系统的弱点进行研究，发现现有的强化学习算法存在敏感性，容易受到恶意攻击，提出了一种基于对抗训练的解决方案，以增强算法的安全性和鲁棒性。

    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

  • 基于障碍证明的单纯形架构及其在微电网中的应用

    提出基于屏障证明的Simplex（BC-Simplex）算法，旨在同时保证连续动态系统的安全和性能；算法采用屏障证明来证明基线控制器确保安全，基于屏障证明的泰勒展开式推导出了控制器切换的条件，并针对一个包含神经网络控制器的微电网进行了实验验证，结果表明该算法能够自动导出控制器切换条件，且还可以在神经控制器被攻击的情况下仍然保证系统安全。

    Feb, 2022

  • 基于强化学习的电力网日前规划及人工智能辅助控制

    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

  • 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

  • 电力网络拓扑控制的分层强化学习

    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

  • 基于强化学习的频率控制器虚假数据注入方案的发现

    本研究针对由分布式能源资源引发的电力系统频率不稳定问题，聚焦智能逆变器在面临网络攻击时的脆弱性。通过强化学习方法，本文揭示了攻击者可能采用的虚假数据注入策略，研究表明这种方法能够有效识别并利用逆变器设置，带来严重后果。

    Aug, 2024

  • 基于数据驱动的微电网网络切换以增强网络恢复控制能力

    本研究解决了分布式微电网在受到数据完整性攻击时的稳定性问题。论文提出了一种基于人工神经网络的物理引导框架，通过分析传入测量值来识别网络攻击，若发现异常则通过遍历通信拓扑来提高控制的稳定性。研究表明，该框架在低噪声环境中表现出强大的鲁棒性，能够有效增强控制层的网络恢复能力。

    Nov, 2024