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

本文提出了一种基于搜索规划算法的新方法解决强化学习中存在的环境约束问题，同时采用黑盒策略优化的进化策略来训练策略直接优化。在 NeurIPS L2RPN 竞赛中，我们的解决方案在两个轨道中均名列第一，能够有效管理电网并确保其地安全性。

Jun, 2021

本研究介绍了PowerGridworld软件包，它是一个轻量级、模块化、可定制的框架，用于创建面向电力系统的多智能体Gym环境，并可与现有的强化学习训练框架集成。通过两个案例研究，证明了PowerGridworld可以快速实现多智能体RL策略的学习，并支持多设备、组合式的电力系统。

Nov, 2021

本文介绍了一种使用强化学习（RL）框架PowRL来缓解意外事件的影响以及在网络中随时可靠地维持电力的方法，该框架利用一种新颖的过载管理启发式以及基于RL指导的最佳拓扑选择来确保网络安全可靠运行，并在多个竞赛数据集中表现出最先进的性能。

Dec, 2022

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

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

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

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

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。

Jul, 2024