本研究首次探讨使用深度强化学习在智能电网环境下实现建筑能源管理系统的在线调度优化，所提出的方法被验证可用于大规模数据资源中，如Pecan Street Inc.数据库，并且可以提供实时反馈以鼓励电能的更高效利用。

Jul, 2017

本研究探讨了随着气候变化对能源生产和消费管理的需求的增加，如何利用深度增强学习算法管理未来的法国电力网络，促进使电力运输网络更好地平衡生产和消费、最小化能量损失以及尽可能地确保人员和设备安全，旨在达到2030年法国碳排放净零的目标。

Jul, 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

本研究致力于通过使用深度强化学习中的近端策略优化算法，研究多重约束下核燃料 loading pattern 的最佳优化方法，并通过实验结果展示其优越性。

May, 2023

本文提出了基于Sim2Real迁移学习的深度强化学习控制方法，用于有机朗肯循环（ORC）的过热控制，在智能制造中提供了简单、可行和用户友好的解决方案，用于能源系统的优化控制。实验结果表明，所提出的方法显著提高了ORC控制问题中深度强化学习的训练速度，并通过Sim2Real迁移在多种运行条件下解决了智能体的泛化性能问题。

Aug, 2023

对于加拿大阿尔伯塔省的案例研究中，通过将西门子公司提供的热力学软件纳入环境模型，并通过模拟不确定性，如电力价格、负载和环境条件的变化，我们实施了三种常见的深度强化学习算法来处理经济型燃气轮机调度问题。在所测试的算法和基准方法中，深度Q网络（DQN）获得了最高的奖励，而近端策略优化（PPO）是最高效的方法。我们进一步提出并实施了一种动态分配燃气轮机运行和维护成本的方法，基于运行时间和循环数，与现有方法相比，我们的方法更好地近似了现代燃气轮机调度的真实成本，因此导致了更现实的策略。

Aug, 2023

这项研究旨在探讨强化学习在基于计算流体力学的热控制中的适用性。结果表明，基于深度Q网络的DRL方法在热控制中具有较高的效率和可行性，其中软化双重DQN方法在各种变体中表现最佳，可以在控制周期的98％以上将温度保持在期望的阈值范围内，这些发现证明了DRL在有效解决热控制系统方面的潜力。

Sep, 2023

通过生成一个足够大的训练数据集，我们提出了一种新颖且高效的方案，该数据集覆盖了相关的供应和需求值。我们的方法通过生成来自于发电机和消费者质量流的代理分布的训练样本，避免了解热网方程所需的迭代过程，并可以对准确性稍有不同的训练样本进行加权以代表原始训练分布。通过对典型网格结构的模拟，我们展示了这种新方法相比直接抽样供需值可以将训练集生成时间减少两个数量级，同时不会对训练样本的相关性产生损失。此外，使用训练数据集学习热功率流明显优于无样本、具有物理意识的训练方法。

Mar, 2024

应用深度强化学习技术解决森林火线设置等复杂问题，以防止大规模野火的发生，具有重要意义和广阔前景。

Apr, 2024

发展了一种使用深度强化学习控制风力涡轮的转矩-倾角框架，以优化风力涡轮能量的生成同时最小化运行噪音，以SWT2.3-93风力涡轮为例进行了验证，结果表明基于强化学习的控制策略能够提高风力涡轮的效率，并减轻噪音污染，推进可持续能源发展。

Jul, 2024