- 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。
- MM一个用于实现和防御发生在电力网络中的生成式人工智能攻击的零信任框架
一个新的零信任框架被提出,用于供电网供应链的早期检测、尾部风险评估和威胁缓解,实现并防御生成式 AI 驱动的攻击。
- 利用图神经网络替代标的电力网运行风险评估
我们研究了图神经网络在电力网络运行决策算法(最优潮流(OPF)和安全约束单位分配(SCUC))中作为代理的实用性,以实现对运行风险的严格量化。我们的结果表明,GNN 能够快速准确地预测量化感兴趣的量,并且因此可以成为 OPF 和 SCUC - 用于电网运行风险评估的图神经网络
研究了图神经网络(GNN)替代物在电网日常运营中基于蒙特卡罗(MC)取样的风险量化中的实用性。通过使用监督学习训练 GNN 替代物,它们被用于获取感兴趣的数量(运行储备、输电线路流量)的蒙特卡罗(MC)样本,给定(提前几小时的)概率性风力发 - 大学校园中基于卷积 LSTM 的电网频率预测
通过使用卷积神经网络(CNN)和长短期记忆网络(LSTM),本文介绍了一种创新的方法来建立可靠的时间序列预测模型,用于电网频率。这些模型能够有效地捕捉电网频率数据中的时空复杂性,显著提高预测准确性并增强电网可靠性。
- 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。
- 应用机器学习中的电网行为模式和泛化风险
本文探讨了忽视电网特有的空间时间特征在模型设计和训练中所带来的泛化风险,提供了电网的各种行为模式及其观察结果作为参考,并对现有的机器学习方法进行了评估。
- 基于规划的强化学习实现可再生能源电力系统的实时调度
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。
- 基于 AlphaZero 的拓扑优化电网拥堵管理
本文提议使用 AlphaZero 算法来优化电网拓扑结构,作为一种无需成本,碳排放较少的电网拥堵管理替代方案。研究结果表明,拓扑优化能够有效降低电网调度需求,并与传统拥堵管理方法兼容。
- 学习使用分布式能源资源攻击电网
本文介绍了一种基于动态学习的无功功率攻击方法,该攻击可以针对独立工作的电力系统,并且可以在其他发电机和使用者独立操作的情况下有效。
- 静态电源网格模型的采样策略
本研究提出一种基于 Correlation Sampling 算法的机器学习方法,可以更好地解决电网电量计算问题,相应的神经网络结构应当考虑输入数据的相关性以及历史数据的质量和规模,与传统的 copula-based 方法相较,该算法能更广 - ICMLEVGen:用于学习电动汽车充电负载和隐藏表示的对抗网络
本研究利用生成式对抗网络,学习电动汽车充电过程的分布规律,为电网运营商应对交通运输领域向低碳化方向的转型提供一种新型的数据仿真方法.
- 一种基于学习增强的拟牛顿法用于交流潮流最优功率流计算
本文提出了一种基于机器学习的拟牛顿方法,使用深度神经网络进行迭代更新,能够快速找到交流 OPF 近似解,并消除了计算雅各比矩阵或近似雅各比矩阵的必要性。
- NIPS基于对抗性韧性学习架构的复杂智能建模,探索和运行复杂的网络物理系统
本文介绍了 Adversarial Resilience Learning(ARL)概念,其定义了两个代理类,即攻击者和防御者,这两个代理机器人在没有任何领域知识的情况下互相探索和训练,并且可以使用广泛的模型自由和模型基础的深度强化学习算法 - 学习运行电网:训练拓扑控制器挑战
本论文提出了一种使用模仿学习和强化学习来学习电网拓扑控制器的新框架,及其所提出的 “学习运行电力网络” 挑战的设计和结果,同时发展了一个提供性能上限的方法,并提出了剩余未解决的挑战和未来改进方向。
- 围攻电网事件原因分析:一种对抗性机器学习方法
本文探讨了针对数据驱动应用中出现的恶意攻击对卷积神经网络(CNN)事件原因分析框架的影响,并通过实时数字模拟器(RTDS)生成的数据分析了不同攻击类型和数据访问级别下攻击的有效性和防御机制。
- 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 - 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。
- 电力网管理中的层次决策
本文实现了一种具有层次决策制定的模型用于电网可靠性管理,使用强化学习算法学习实时电网可靠性的抽象,该算法交替进行快慢时间尺度的价值函数逼近和策略改进,并与先前的启发式算法进行比较,结果表明本方法的优越性。