Jul, 2024

电网中的图强化学习：一项调查研究

HTML
PDF
TL;DR利用深度学习方法以解决传统方法在电网应用中的灵活性不足所带来的可再生能源和分布式电力生成带来的挑战的文章中，重点分析了图神经网络在电力网中捕捉图结构以提高表示学习和决策制定能力的能力，同时探讨了强化学习与图神经网络之间的协同作用，尤其将GRL用于自动化电网管理、拓扑控制和电压调节等应用。然而，尽管GRL在面对不可预测事件、噪声或不完整数据时显示出适应性，但目前它主要是一个概念验证。在实际电力系统运行中，仍然需要解决许多开放性挑战和限制问题。
发现论文，激发创造
  • 使用深度强化学习进行电网运行的自主电压控制

    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

  • 利用图神经网络实现电力网拓扑动态稳定性评估

    为了应对气候变化，需要提高可再生能源在电力生产中的份额。在分散化、惯性减小和生产波动性等方面，可再生能源为电力网络引入了新的挑战。本研究利用图神经网络以分析电力网动态稳定性的计算工作量，发现其在仅基于拓扑信息的情况下预测非线性目标非常有效。此外，应用所提出的方法，还能准确识别出电力网的易受攻击的节点。最后，发现在小型电力网上训练的GNN在对得克萨斯电力网的大型模型进行预测时，也具有准确性和实用性。

    Jun, 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

  • 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

  • 深度学习方法在电力系统监测与优化中的应用

    本研究通过深度学习技术来改善电力系统监测和优化算法，着重于应用图神经网络提升电力系统状态估计，并利用强化学习动态重构分布网络。通过广泛的实验和模拟验证了所提出方法的有效性。

    Sep, 2023

  • 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

  • PowerGraph：用于图神经网络的电网基准数据集

    开发了一个用于电力网络级联故障的图形数据集，用于训练图神经网络模型以及解释性分析，旨在应用于各个领域，如化学和生物学。

    Feb, 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

    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

  • 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

  • SafePowerGraph: 针对传输电力网络的安全评估图神经网络

    电力系统中的图神经网络安全导向框架及其在电力网运行中的性能评估和优化问题的重要性。

    Jul, 2024