May, 2024

HUGO: 结合深度强化学习与启发式目标拓扑方法的突出显示未见格点选项

PDF
TL;DR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％。
renewable energydeep reinforcement learninggrid operationtopology optimizationtarget topologies
发现论文，激发创造
  • 通过拓扑操作管理电网：高级基于规则的和强化学习智能体的比较研究

    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

  • 电力系统拓扑优化的多智能体强化学习

    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

  • 电网拓扑优化中的代理故障检测：一项综合分析

    通过深度强化学习（DRL）对传输网络进行拓扑优化已经成为研究热点。本研究针对电力网格故障进行失败模式识别，并通过多类别预测方法探测故障，最终得出特征重要性分析结果。

    Jun, 2024

  • 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

  • 深度强化学习遇见图神经网络：探索一种路由优化用例

    本篇论文提出在 Deep Reinforcement Learning 技术中，将 Graph Neural Networks 集成进 DRL 代理中，以解决网络拓扑的泛化问题，并在路由优化的用例中测试并评估其性能，结果表明，在未曾训练过的网络拓扑中，DRL+GNN 代理能够胜过目前最先进的解决方案。

    Oct, 2019

  • 基于深度强化学习的网络拓扑优化

    本研究提出了一种新颖的深度强化学习算法，称为优势演员评论 - 图搜索（A2C-GS），用于网络拓扑优化，并通过在真实网络场景上进行案例研究，证明了 A2C-GS 在效率和性能方面具有卓越的性能。

    Apr, 2022

  • 学习运行电网：训练拓扑控制器挑战

    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

  • 基于图卷积神经网络的多智能体强化学习：电力市场发电策略的最优化竞价策略

    本研究提出了一种基于 DRL 和 GCN 的分布式学习算法，使代理人能够通过从环境中获取反馈来改进投标策略并增加利润，同时将空间系统拓扑的信息输入到 GCN 中，帮助代理人了解系统结构并提高决策的准确性。在 IEEE 30-bus 系统和 IEEE 39-bus 系统的测试中表明该算法具有较好的泛化能力和更高的利润。

    Aug, 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

  • 在线建筑能量优化使用深度强化学习

    本研究首次探讨使用深度强化学习在智能电网环境下实现建筑能源管理系统的在线调度优化，所提出的方法被验证可用于大规模数据资源中，如 Pecan Street Inc. 数据库，并且可以提供实时反馈以鼓励电能的更高效利用。

    Jul, 2017