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
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
通过引入一个新的强化学习框架来解决可再生能源系统中设计和控制的协同优化问题,可以提高可再生能源的整合和系统效率,推动能源管理领域的强化学习应用,实现可再生能源的更高效和更有效利用。
Jun, 2024
本文提出了一种基于深度强化学习的多智能体控制策略,用于实时优化混合储能系统和能量需求,该系统由电池和氢能储存器组成,可以解决与电力价格、可再生能源生产和消费相关的不确定性问题,并优化使用可再生能源,降低能源成本和碳排放,提高可再生能源利用率。
Aug, 2022
提出了一种利用深度强化学习和混合整数规划的框架,用于优化能量储存系统的调度决策,同时严格执行操作约束,以及在存在不确定性的环境中取得高质量的调度决策。
Jul, 2023
使用基于强化学习(RL)的仿真,本文发展了一种范式化理论和详细方法,用于联合电力市场设计。案例研究说明了如何使用某些市场运营绩效指标选择最佳市场设计选项,并讨论了不同市场设计选项对市场参与者竞标策略偏好的影响。
May, 2023
通过提供一个学习了的 OPF 近似和显式的市场规则的能源市场模型,以 MARL 算法的形式来确定预期的能源市场参与者的行为,从而减少与系统的交互次数,并减少培训时间,同时稍微糟糕地近似了纳什均衡。
该研究探讨了太阳能电池储能系统与经济潜力开发中的备用功能,通过模型建立了一个双重马尔可夫决策过程,应用了一种新型深度强化学习算法来提高收益优化和降低能源浪费。
Jan, 2024
提出了一种连续强化学习方法,考虑了时间变化的可行充放电范围,通过将充放电水平限制在可行动作范围内,进一步提高了能量存储的有效利用。
May, 2024
深层多智能体强化学习可实现住宅能量灵活性的可扩展和隐私保护的协调,结果表明,通过使用中心化但分化的评论家,可以在执行前排练协调。