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

本文提出了一种新的范式 Grid Mind，使用深度强化学习进行自主电网运行控制。 通过与大规模离线模拟的交互，所提出的人工智能代理可以学习其控制策略，并适应包括负荷 / 发电变化以及拓扑变化在内的新变化，然后在 IEEE 14 总线系统上进行了测试，并展示了在运用自主电压控制进行安全电网运行方面的良好表现。

Apr, 2019

电动车充电控制中的多智能体深度强化学习方法结合了多电动车充电与放电过程以及射线分布网络的优化功率流，通过联邦式深度强化学习算法来有效地学习最佳的充电控制策略，从而平衡车辆与电网之间的利益和减少驾驶员的焦虑情绪。

Aug, 2023

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

在未来的电力系统中，将大量依赖于具有高比例的分散式可再生能源和能量存储系统的微电网。出于复杂性和不确定性的原因，在这种情境下的传统能源调度策略可能不可行，利用基于强化学习的控制器可以解决这一挑战，但不能提供安全保障，于是我们提出了一种经过正式验证的基于强化学习的经济调度控制器，来克服这种局限性。

May, 2022

文章提出了一种基于强化学习的串联故障缓解策略，并且通过直流电力优化流 (DCOPF) 等控制来修正底层问题。通过物理方程式，设计了一种高层次的强化学习策略，测试了浅层和深层神经网络结构，并在 IEEE 118 巴士系统上的实验表明，该缓解策略在减少系统崩溃方面表现出了很有前途的性能。

Aug, 2021

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。

Jul, 2023

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

针对分布式发电带来的电网分散电压控制的挑战，本文提出了一种可扩展的网络感知框架，利用网络结构截断评论家的 Q 函数输入，提高可伸缩性并减少训练期间的通信成本，成功在一个拥有 114 个分布式发电源的系统中进行了演示，为日益复杂的电力系统中的分散电压控制提供了有希望的解决方案。

Dec, 2023

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