本文采用深度多智能体强化学习解决了一个能源系统的战争游戏，研究了国际石油公司在能源转型中应如何制定决策，并发现通过形成低碳业务模式可以实现最大价值并为全球低碳能源转型作出贡献。

Nov, 2022

电力电网向碳中和转变是解决气候变化最大的游戏规则之一，人工智能在技术、市场和政策等三个层面上进行定制化可以提高电能系统向碳中和的转变速度和规模。

Nov, 2022

研究了气候 - 经济框架中模型不确定性的影响，以存在三种类型的资本为基础：产生碳排放的 “脏” 资本、不产生排放但初始生产力较低的 “清洁” 资本和通过研发投资增加的知识资本，从而推动绿色部门的技术创新。通过基于神经网络的全局解决方法解决了高维非线性模型框架，表明模型不确定性对最优决策和社会估值有一阶影响。考虑气候动力学的相互关联性不确定性、气候变化带来的经济损失和绿色技术变革的到来，将在技术变革和气候损害严重程度揭示前对不同资本类型的投资进行大幅调整。

Oct, 2023

本研究使用基于潜在狄利克雷分配的自动摘要和分析管道，对欧盟 27 个成员国在 2021 年至 2030 年期间制定的 10 年期国家能源和气候计划（NECPs）进行分析，旨在分析政策框架以便实现更好的公民治理和气候政策参与。

Nov, 2022

该研究探讨了电力行业由中央集中化向分散化的转变，重点关注了机器学习在推动可再生能源和改善电网管理方面的关键作用。研究使用了人工神经网络、支持向量机和决策树等多种技术，将机器学习模型应用于预测可再生能源的生成和消耗，并采用数据预处理方法提高预测准确性。通过结合大数据和机器学习技术，智能电网能够提高能源效率、更有效地响应需求并更好地整合可再生能源。然而，需要解决大数据处理、网络安全和获取专业技术等挑战。总之，该研究揭示了电力行业由中央集中化向分散化解决方案转变，并通过应用机器学习创新和分布式决策塑造了更高效和可持续的能源未来。

Oct, 2023

本研究针对数字化能源基础设施，通过机器学习模型支持新的数据应用，提出了一种适用于能源应用的数据模型设计，并进行了性能测试比较，结果表明更丰富的数据模型能提升模型性能。

May, 2022

通过引入集合 ETT-17（Energy Transition Tasks-17）和一种多任务机器学习模型，该研究分析了与增强可再生能源相关的 17 个数据集，并提供了性能基准。

Nov, 2023

本文实现了一种具有层次决策制定的模型用于电网可靠性管理，使用强化学习算法学习实时电网可靠性的抽象，该算法交替进行快慢时间尺度的价值函数逼近和策略改进，并与先前的启发式算法进行比较，结果表明本方法的优越性。

Mar, 2016

本研究首次量化数据中心减碳的碳强度预测不确定性，并分析了时间和空间这两种不确定性类型及其对系统的影响。通过引入基于一致预测的框架，我们解决了碳强度预测中与时间动态相关的不确定性问题。评估结果表明，我们的技术在各种显著性水平上稳健地实现了目标覆盖率的不确定性量化。我们通过两个案例研究使用产生的能量数据，分别关注时间和空间的负荷转移。结果显示，将不确定性纳入调度决策可以分别防止碳排放量增加 5% 和 14%，这转化为在一个 20 兆瓦的数据中心群组中，绝对减少了 2.1 和 10.4 吨的碳排放量。

Jul, 2024

本文提出了一种基于生成对抗网络的数据驱动方法用于清洁能源场景生成，结合了时空维度下的可再生能源生产模式，具有高效，实际和可行的特点。

Jul, 2017