Antoine Lesage-Landry

Membre, GERAD

partagez

Professeur adjoint, Département de génie électrique, Polytechnique Montréal

antoine.lesage-landry@polymtl.ca

Tél.: 514 340-4711 x2442

Axes de recherche

Axe 3 : Aide à la décision prise sous incertitude
Axe 4 : Aide à la décision prise en temps réel

Applications de recherche

Énergie, environnement, ressources naturelles

Publications

nov. 2022

Batch reinforcement learning for network-safe demand response in unknown electric grids

Antoine Lesage-Landry et Duncan Callaway

Electric Power Systems Research, 212, No article: 108375, 2022 référence BibTeX

juin 2022

Batch Reinforcement Learning for Network-Safe Demand Response in Unknown Electric Grids

Antoine Lesage-Landry et Duncan Callaway

22nd Power Systems Computation Conference (PSCC 2022), Porto, Portugal, 2022 référence BibTeX

juin 2022

Optimally Scheduling Public Safety Power Shutoffs

Antoine Lesage-Landry, Félix Pellerin, Joshua A. Taylor et Duncan Callaway

2022 CORS/INFORMS International Meeting, Vancouver, Canada, 2022 référence BibTeX

7 publications

Activités

22 sept. 202216h00 — 17h00

Convex Optimization of Bioprocesses

Séminaire du GERAD
Josh Taylor – University of Toronto

Séminaire hybride au GERAD

11 mai 202211h00 — 12h00

Copositive Duality for Nonconvex Energy Markets

Séminaire du GERAD
Cheng Guo – School of Mathematical & Statistical Sciences, Clemson University

Webinaire

16 mars 202211h00 — 12h00

The Cost of Privacy in the Coordination of Heat and Electricity Markets

Séminaire du GERAD
Lesia Mitridati – Institute for Power Systems & High Voltage Technology, ETH Zurich

Webinaire

4 activités

Cahiers du GERAD

mars 2022

G-2022-09
Optimally scheduling public safety power shutoffs

Antoine Lesage-Landry, Félix Pellerin, Joshua A. Taylor et Duncan Callaway

We formulate a batch reinforcement learning-based demand response approach to prevent distribution network constraint violations in unknown grids. We use the...

référence BibTeX

mai 2022

G-2022-02
Approximated multi-agent fitted Q iteration

Antoine Lesage-Landry et Duncan Callaway

We formulate an efficient approximation for multi-agent batch reinforcement learning, the approximated multi-agent fitted Q iteration (AMAFQI). We present a ...

référence BibTeX

mars 2022

G-2021-55
Batch reinforcement learning for network-safe demand response in unknown electric grids

Antoine Lesage-Landry et Duncan Callaway

We formulate a batch reinforcement learning-based demand response approach to prevent distribution network constraint violations in unknown grids. We use the...

référence BibTeX