通过采用基于 Q 学习的算法，将可再生能源集成到奶牛养殖中，能够有效降低奶牛养殖对电网进口电力的成本，减少峰值需求，并且在利用风力发电时可获得更好的效果。
Mar, 2024
农场企业正在采用可再生能源来提高能源效率，减少对化石燃料和电网的依赖。为了解决农场社区的动态性所带来的挑战，开发了多代理点对点奶牛场能源模拟器（MAPDES），提供了一个实验强化学习技术的平台。模拟结果显示，与缺乏点对点能源交易或可再生能源的基准方案相比，MAPDES 实现了显著的成本节约，包括电费减少 43%、峰值需求减少 42% 和能源销售增加 1.91%。
May, 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。
使用基于线性函数近似的 Q 学习算法优化电池充 / 放电，考虑不同容量、斜坡、损耗和循环成本，目标是通过马尔可夫决策过程最小化电池循环中的退化成本，并设计了一类特殊的核函数以实现价值函数的结构近似。
Sep, 2021
本研究的目的是利用深度 Q 网络 (DQN) 优化决策，以促进农业部门光伏系统的安装。该研究通过开发一个 DQN 框架，考虑安装预算、政府激励、能源需求、系统成本和长期效益等因素，帮助农业投资者做出明智的决策。该研究结果显示了深度 Q 网络如何支持农业投资者在光伏系统安装方面做出决策，并在促进可持续和高效农业实践方面具有重要意义。通过使用深度 Q 网络，农业投资者可以做出优化决策，提高能源效率，减少环境影响，增强盈利能力。这项研究对光伏系统在农业领域的整合和进一步创新具有重要贡献。
Aug, 2023
本文研究小型 IoT 系统中的能量收集、访问控制和电池预测问题，提出了基于强化学习和深度 Q 网络的三种算法，实验结果表明这些算法在性能上比现有基准方法更优秀。
May, 2018
提出了一种代理模型来模拟爱尔兰奶牛场的用电量消耗，并验证了其准确性，该模型考虑了奶牛场的多种因素，如养殖规模、挤奶机台数和时间等。该模型的可解释性较高，相对于其他人工智能技术（如深度学习）具有优势。
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
使用深度强化学习（特别是深度 Q 网络）确定户用电动汽车的成本减少充电策略，该策略可为终端用户节约超过 20% 的电费开支。
Oct, 2023
本文介绍了一种基于软演员 - 评论家算法的深度增强学习策略，以调度社区电池系统，解决分布式能源资源整合、峰值负荷调控和能源价格波动问题。通过比较不同增强学习算法，结果表明软演员 - 评论家算法在社区电池调度中表现最佳。
Dec, 2023