Jun, 2024

电网拓扑优化中的代理故障检测：一项综合分析

PDF
TL;DR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。
topology optimizationdeep reinforcement learningfailure detectionmulti-class predictionfeature importance analysis
发现论文，激发创造
  • 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

    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％。

    May, 2024

  • 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

  • 演化网络拓扑下的电网运行风险评估的图神经网络

    该研究探讨了图神经网络在没有明确的高分辨率信息（发电机状态、电网拓扑和电力调度决策）的情况下，能否识别未来几个小时内电网的风险状况。研究发现，基于图神经网络的可靠性和风险评估具有快速而准确的预测能力。

    May, 2024

  • 学习如何运行电力网络挑战：一项回顾性分析

    本文提出了一个基于强化学习的 L2RPN 挑战，在 Grid2Op 框架下演示了两个重要问题。该框架包括现有的非线性物理电力网络模拟器和 GridAlive 环境。通过该竞赛，我们期望促进更可持续的电网运行解决方案的研究。

    Mar, 2021

  • 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

  • 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

  • 利用深度强化学习解决发电机故障下的最优电力流问题

    应用深度强化学习算法解决最优潮流问题，介绍了两种解决该问题的经典算法，讨论了 Vanilla DRL 应用的缺点，并提出了改进性能的算法，同时提出了 OPF 奖励函数，以解决 DRL 内在问题。

    May, 2022

  • 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

  • 电力电网智能故障分析

    本文提出了一种基于人工智能和机器学习技术的电力系统健康检测方案，利用 Siemens PSS/E 软件模拟电网状况，并采用分类器（SVM、LSTM 等）进行训练和测试，结果证明其能够高精度地检测电网异常，并可扩展应用于更复杂的电网结构。

    Nov, 2017