具有部分测量可用性的完全疗愈缩短的端到端强化学习
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
该研究利用最新的强化学习算法和真实的电力网络环境,提出了一种系统的解决方案来解决传统能源调度面临的问题,并为电力系统提供了一个可持续的低碳未来。
Mar, 2023
该研究提出了一种新的分布式电网电压调节方案,通过巧妙地耦合数据驱动与基于物理的优化来解决电动汽车和可再生发电设备带来的电压波动问题,并利用深度强化学习算法在每小时更慢的时间尺度上配置电容器最小化长期折扣电压偏差。
Apr, 2019
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
本文研究了如何通过反应需求实现频率调控来整合高比例的可再生能源资源对电力网的影响。作者提出一个分散的代理模型,通过多代理近端政策优化和本地化通信进行训练。同时,文中探讨了两种通信框架:手工设计或通过目标化的多代理通信进行学习。最终的政策可以良好地、稳健地完成频率调节,并可以在恒定处理时间下无缝扩展到任意数量的房屋。
Jan, 2023
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
本文提出了一个利用多阶段深度强化学习方法来估计 P Q 灵活性 (PQ area) 在 TSO-DSO 接口,以协调高压网格中的分布式能源资源 (DERs) 以提供灵活性以缓解线路拥堵可能性。估计过程中考虑确定性因素和实际网格规划操作需要的 N-1 安全性准则并对不确定性和热稳态限制具有鲁棒性,该方法的显着改进在于估计 PQ 区域能力计算的计算效率。
Nov, 2022
论文介绍了一个利用分布式深度强化学习模型实现智能管理家庭用电的方法,这个方法可以保护用户隐私,以降低电网运营成本,减少家庭用电费用,实现用电峰谷负荷比例和负荷方差分别降低 12% 和 11% 的效果。
Jun, 2020
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