Jun, 2024

基于时间原型感知的主动电压控制在电力配电网络上的学习

PDF
TL;DR提出了一种新的时间原型感知学习方法来学习短期训练轨迹下的时变电压控制，该方法在控制性能上不仅超过了现有技术，还提供了模型可转移性。
active voltage controlpower distribution networksmulti-agent reinforcement learningtemporal prototype-aware learningcontrol performance
发现论文，激发创造
  • 电力分配网络主动电压控制的多智能体强化学习

    本研究使用多智能体强化学习模型解决由去碳化趋势造成的电力网络中的电压拥塞问题，将主要问题转化为 Dec-POMDP 模型并建立开源环境，解决多智能体强化学习在状态可解释性等方面的挑战，为电力社区和多智能体强化学习社区寻求现实应用提供了实践基础和方向参考。

    Oct, 2021

  • 利用 Transformer 进行多智能体强化学习稳定电力分配网络电压

    本文提出了一种基于 Transformer 架构和 MARL 算法的 T-MAAC 框架来稳定电力分配网络中的电压，并采用一种针对电压控制任务的新型辅助训练过程，以提高样本效率和促进基于 Transformer 模型的代表学习。

    Jun, 2022

  • 基于深度强化学习的配电网两时间尺度电压控制

    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

  • 一种可扩展的网络感知多智能体强化学习框架用于去中心化逆变器电压控制

    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

  • 安全约束的多智能体强化学习在主动电压控制中的应用

    基于多智能体强化学习的安全限制算法，用于解决分布式可控发电机在电力网络中主动电压控制问题，通过在电力分布网络模拟环境中进行实验，证明了该方法与最新的多智能体强化学习方法相比的有效性。

    May, 2024

  • 使用批量强化学习实现电压调节变压器的最佳分接设置

    本文研究如何使用改变负载开关的接线点以调节电压，提出基于 Markov 决策过程和强化学习的算法，利用电流线性模型估计电压，以解决大型状态和动作空间带来的挑战，并在 IEEE 13 位和 123 位分配测试馈线上进行模拟验证。

    Jul, 2018

  • 基于在线多智能体强化学习的分散式基于逆变器的电压 - 无功控制

    本文提出了一种在线多智能体强化学习和分散式控制框架以解决基于分布式 Volt/Var 控制（VVC）方法所面临的完整性和通信成本问题。在该框架中，通过采用多智能体约束软演员 - 评论家（MACSAC）强化学习算法进行 VVC 管理，不再需要事先准确的 ADN 模型，从而实现分散式优化控制和有效的通信处理。该 OLDC 框架的数值模拟结果表明，它具有出色的灵活性和适应性，可用于各种计算和通信条件下，在线应用中取得更好的控制效果。

    Jun, 2020

  • 主动配电网络基于变频器的电压 - 无功控制的两阶段深度强化学习

    使用两阶段深度强化学习方法来优化基于逆变器能源的电压调节，通过一个高效的对抗性强化学习算法，训练出离线代理程序，然后将其安全地转移到在线代理程序中，在线学习和控制具有显著的安全性和效率，从而比现有机器学习方法取得更好性能。

    May, 2020

  • 面向网络攻击不确定性的贝叶斯强化学习自动电压控制

    本研究提出一种数据驱动的贝叶斯强化学习 (BRL) 方法来解决大规模电力系统下的电压控制问题，并通过在部分可观测马尔科夫决策问题中自动捕捉因网络攻击所导致的不确定性来保持电压控制持续性，同时评估该技术在 WSCC 和 IEEE 14 总线系统上的应用效果，以及自动寻找多种 RL 技术中探索和开发的阈值。

    May, 2023

  • 一种高效的分布式多智能体强化学习用于电动车充电网络控制

    采用一种去中心化的多智能体强化学习充电框架来管理电动汽车的充电，以降低网络成本、减少用电峰值与平均值之比，减少变压器过载风险。

    Aug, 2023