公众号
【顶刊好文|智能楼宇】Energy & Buildings｜3600 间房、数秒决策：兼顾舒适度的空调柔性聚合
研究提出深度强化学习与线性规划结合的分层空调柔性聚合框架：上层用PPO依据调节需求及累计舒适度影响分配任务，下层以物理模型和约束优化控制设备。仿真覆盖最多3600间房，计算由集中式方法的千秒以上降至数秒，并兼顾请求匹配和舒适度影响均衡。
方法优化与强化学习场景规划与仿真 · 优化与决策 · 控制与自治
综合能源新视界查看原文 ↗
看技术
追踪能源领域最新技术、论文、代码与数据集
公众号
【TTE好文分享｜记忆增强强化学习】让驱动与制动更默契：分布式电动汽车的协同能量管理
论文提出面向分布式电动汽车的LSTM-TD3记忆增强能量管理框架，统一协调前后轴驱动与再生制动转矩。方法使用1.5秒历史状态提取时序特征，并在实测车速、坡度及dSPACE硬件在环平台验证。百公里能耗为11.56千瓦时，较无记忆TD3降低1.3%，单次推理耗时0.206毫秒。
方法时序预测 · 优化与强化学习场景优化与决策
综合能源新视界查看原文 ↗
公众号
当图本身就是世界，下一步会发生什么？WorldGraph让图世界学会演化
论文提出图原生世界模型WorldGraph，将节点、边、属性及历史转移统一为持续演化的图世界。模型结合多粒度图Transformer、历史感知状态编码与转移感知强化学习，并构建覆盖节点、边、图级任务的GWM-Zero基准。实验显示其在稀有节点删除、边变化、局部结构及多步预测上优于多类基线，还可作为插件提升L³P、C-SWM和GWM-E。
方法时序预测 · 优化与强化学习场景预测与感知
时空探索之旅查看原文 ↗
公众号
【TTE好文分享｜记忆增强强化学习】让驱动与制动更默契：分布式电动汽车的协同能量管理
研究提出面向分布式电动汽车的LSTM-TD3记忆增强能量管理框架，将驱动与再生制动转矩统一协调，并利用1.5秒历史状态提取时序特征。实测工况及dSPACE硬件在环结果显示，百公里能耗为11.56千瓦时，较无记忆TD3降低1.3%，单次推理耗时0.206毫秒，满足10毫秒控制周期。
方法时序预测 · 优化与强化学习场景优化与决策 · 控制与自治
AI+绿能查看原文 ↗
公众号
【顶刊好文|煤矿×DRL×多目标】'IEEE TSG'：面向煤矿综合能源系统的领域知识嵌入多目标运行方法
论文面向煤矿综合能源系统，提出领域知识嵌入的多目标强化学习算法MOORE，由DQN依据种群状态在线选择差分进化策略，并将煤仓、水仓建模为虚拟储能。宁夏实际煤矿算例显示，其HV、IGD及可行解稳定性优于五种基线，同时给出消融、出力扰动、跨系统测试及计算开销分析。
方法优化与强化学习场景知识与协同
综合能源新视界查看原文 ↗
公众号
重庆大学 卢莹，方斯顿等：让港口电动转运集卡充电更灵活：考虑无冲突路径与电池健康的协同调度方法
论文面向港口微电网电动转运车充电调度，建立兼顾无冲突路径与电池健康的协同优化模型，并采用基于Q-learning的多智能体强化学习滚动求解。该框架将大规模全时域问题拆分为短时子问题，显著压缩决策变量规模；仿真还比较了启发式算法、MADDPG及所提方法的调度表现。
方法优化与强化学习 · 大模型与智能体场景规划与仿真 · 优化与决策 · 知识与协同
电力系统自动化查看原文 ↗
公众号
当无线网络学会想象：无线网络世界模型
北京邮电大学与清华大学提出无线网络世界模型，以状态—动作为基础，在潜在空间学习控制动作驱动的网络演化，用于方案推演与优化。研究融合真实数据和仿真干预，在南昌31,900个4G与5G小区开展流量推演；其强化学习优化策略较未优化配置提升能效约43.5%，较四种对比方法平均提升约21.3%。
方法优化与强化学习场景规划与仿真 · 优化与决策 · 控制与自治
时空探索之旅查看原文 ↗
公众号
武汉大学 柯德平，李亚宁，等：基于多智能体强化学习的流域级水风光联合日内鲁棒调度研究
研究针对流域级水风光日内调度的实时性和不确定性，提出多智能体强化学习鲁棒调度框架，引入误差智能体进行对抗式训练，并利用条件变分自编码器融合运行状态与专家策略，实现安全加速训练。结果表明，该方法可无延迟生成调度指令并提升策略鲁棒性与约束收敛速度。
方法优化与强化学习 · 大模型与智能体 · 可信人工智能场景诊断与安全 · 优化与决策 · 知识与协同
综合能源新视界查看原文 ↗
公众号
PPT丨智能配电网数字孪生构建和应用关键技术研究
文章梳理智能配电网数字孪生的建模、数据融合和闭环优化体系，重点介绍基于BP神经网络、SVM、深度学习及贝叶斯网络的故障诊断方法，并讨论负荷转供鲁棒优化。内容还给出多源数据联通、分级孪生架构、图数据库和故障诊断、供电恢复等示范场景。
方法优化与强化学习 · 可信人工智能场景规划与仿真 · 诊断与安全 · 优化与决策
电网棱镜查看原文 ↗
公众号
华南理工大学欧士琪教授学术报告
报告聚焦动力电池智能诊断与预警：基于真实车辆数据，结合深度学习、可解释分析和迁移学习开展跨车型、跨电池体系健康诊断；针对寿命标签稀缺，引入自监督学习与物理—数据融合建模，并搭建电芯、模组和整包测试平台，支撑算法验证及端侧部署。
方法优化与强化学习 · 可信人工智能
电工技术学报查看原文 ↗
公众号
华南理工大学欧士琪教授：智能驱动的电池状态诊断与预警技术
报告聚焦动力电池智能诊断与预警：基于真实车辆数据，结合深度学习、可解释分析和迁移学习开展跨车型、跨电池体系健康诊断；针对寿命标签稀缺，引入自监督学习与物理—数据融合建模，并搭建电芯、模组和整包测试平台，支撑算法验证及端侧部署。
方法优化与强化学习 · 可信人工智能
电工技术学报查看原文 ↗
公众号
【Trans好文分享｜博弈论+强化学习】虚拟电厂的拓扑无关网络攻击防御
研究面向虚拟电厂在拓扑和状态信息不完整条件下的网络攻击防御，提出融合贝叶斯Stackelberg博弈与PPO、TD3强化学习的GT-RL框架，通过秘密小扰动形成物理水印。IEEE 13及123节点测试显示，混合攻击场景下GT-TD3宏F1达0.717，高于RL-TD3的0.520。
方法优化与强化学习场景诊断与安全
AI+绿能查看原文 ↗
公众号
【TSTE好文分享｜强化学习+虚拟惯量+Pinning Control】面向异构VSG集群的强化学习虚拟惯量协同控制
论文提出面向异构虚拟同步发电机集群的强化学习虚拟惯量钉扎控制框架，融合动态参数匹配、Pinning Control与强化学习，在线协调惯量和阻尼。IEEE 34节点仿真显示其可降低频率偏差并缩短调节时间，且能适应节点退出和拓扑扩展；STM32硬件在环实验进一步验证了部署可行性。
方法优化与强化学习场景规划与仿真 · 控制与自治
AI+绿能查看原文 ↗
公众号
【好文分享|量子多智能体强化学习+配电网电压控制】TSG：QMADRL-PI融合量子差分隐私，仅56个参数实现本地Volt/Var协同控制
研究提出隐私保护量子多智能体深度强化学习QMADRL-PI，用公共气象信息改善局部Volt/Var协同，并借助量子测量噪声实现差分隐私。每个智能体仅约56个参数，在IEEE 33及141节点系统消除电压越限，并在180量子比特处理器上完成策略执行验证。
方法优化与强化学习 · 大模型与智能体场景控制与自治 · 知识与协同
AI+绿能查看原文 ↗
公众号
【好文分享|量子多智能体强化学习+配电网电压控制】TSG：QMADRL-PI融合量子差分隐私，仅56个参数实现本地Volt/Var协同控制
研究提出隐私保护量子多智能体深度强化学习QMADRL-PI，用公共气象信息改善局部Volt/Var协同，并借助量子测量噪声实现差分隐私。每个智能体仅约56个参数，在IEEE 33及141节点系统消除电压越限，并在180量子比特处理器上完成策略执行验证。
方法优化与强化学习 · 大模型与智能体场景控制与自治 · 知识与协同
综合能源新视界查看原文 ↗
公众号
【Trans好文分享｜数据中心+联邦约束强化学习】面向混合能源数据中心的规划—运行协同优化框架
论文提出混合能源数据中心规划—运行协同框架：上层以MILP配置站点、储能和SMR容量，下层采用物理约束PPO及联邦学习协调负载、冷却与购电。IEEE 118节点算例显示，峰值购电下降7%—9%，上下调节能力显著提高，EENS降低17.4%，线路过载次数减少约28%。
方法优化与强化学习 · 物理与数据融合场景规划与仿真 · 优化与决策
综合能源新视界查看原文 ↗
公众号
Nature Communications 2024｜图强化学习如何加快配电网停电恢复
论文以图强化学习处理主动配电网故障后的序贯恢复决策，将网络拓扑、状态、开关动作与运行反馈纳入策略学习，并在IEEE 13、34和123节点系统上评估。结果显示其可实时生成接近最优的恢复方案，文中同时给出未供能量改善数据，并指出真实部署仍需潮流、安全约束及人工规则复核。
方法优化与强化学习场景诊断与安全
Intelligame Lab查看原文 ↗
公众号
【Trans好文分享｜数据中心+联邦约束强化学习】面向混合能源数据中心的规划—运行协同优化框架
论文面向混合能源数据中心，构建MILP规划、物理约束PPO运行控制和联邦学习协同框架，联合调度计算负载、储能、冷却及小型模块化反应堆。IEEE 118节点系统实验显示，净购电峰值降低约7%至9%，上下调节能力显著提升，EENS降低17.4%，线路过载次数减少约28%。
方法优化与强化学习 · 物理与数据融合场景规划与仿真 · 优化与决策 · 控制与自治
AI+绿能查看原文 ↗
公众号
【好文分享|量子增强深度学习+电网网络安全】TII：QuanCon强化差动保护FDIA检测，Transformer准确率提升至98.4%
论文提出量子增强深度学习框架QeDL，在经典神经网络前加入固定参数QuanCon量子卷积层，利用差动继电器短时电流识别真实故障与虚假数据注入攻击。OPAL-RT实验覆盖各7464个故障和攻击案例，量子增强Transformer准确率达98.4%，并通过IEC 61850硬件在环验证在线检测能力。
方法优化与强化学习场景诊断与安全
AI+绿能查看原文 ↗
公众号
【好文分享|量子增强深度学习+电网网络安全】TII：QuanCon强化差动保护FDIA检测，Transformer准确率提升至98.4%
论文提出量子增强深度学习框架QeDL，在经典神经网络前加入固定参数QuanCon量子卷积层，利用差动继电器短时电流识别真实故障与虚假数据注入攻击。OPAL-RT实验覆盖各7464个故障和攻击案例，量子增强Transformer准确率达98.4%，并通过IEC 61850硬件在环验证在线检测能力。
方法优化与强化学习场景诊断与安全
综合能源新视界查看原文 ↗