本研究提出了一种基于元学习的智能建筑能耗管理系统（MetaEMS），比现有基于强化学习的系统更快地适应环境变化并在大多数情况下表现更好。

Oct, 2022

基于学习的智能能源管理系统对于插电式混合动力电动汽车 (PHEVs) 的高效能源利用至关重要，然而，其应用在现实世界中面临着系统可靠性的挑战，这阻碍了原始设备制造商 (OEMs) 的广泛接受。本文通过建立基于物理和数据驱动模型的 PHEV 模型，聚焦于高保真度训练环境，并提出一个以真实车辆应用为导向的控制框架，将基于扩展时间尺度的强化学习 (RL) 能源管理与等价耗电量最小化策略 (ECMS) 相结合，以提高实际适用性，同时改善现有研究中基于瞬时驾驶循环和动力系统状态的等效因素评估方法的缺陷。最后，进行全面的仿真和硬件在环验证，证明了所提出的控制框架在燃油经济性方面相对于自适应 ECMS 和基于规则的策略的优势。与直接控制动力系统组件的传统 RL 架构相比，所提出的控制方法不仅能实现类似的最优性，而且还显著提高了能源管理系统的干扰抗性，在 OEMs 的真实车辆应用中提供了一种有效的基于 RL 的能源管理策略的控制框架。

Jun, 2024

该论文介绍了一种基于元启发式算法协方差矩阵适应进化策略（CMA-ES）的机器学习方法 TreeC，用于生成可解释的能源管理系统（EMS）模型决策树，与 RBC 和 MPC 等传统方法相比，该方法是一种基于历史数据学习 EMS 决策策略的方法，并且相对于 RL 等黑盒模型，该方法具有可解释性。研究结果表明，TreeC 在电网和家庭供暖方面取得了与 MPC 和 RL 接近的表现，且具有良好的解释性。

Apr, 2023

本文介绍了一种基于 VAE-GAN 的生成模型技术以产生智能家居能源消耗的时间序列数据，并探讨了当生成模型与基于 Q 学习的 HEMS 相结合时的性能。实验结果表明，基于 VAE-GAN 生成的合成数据与真实数据分布非常接近，并且可以产生比基准方法更高性能的基于 Q 学习的 HEMS。

May, 2023

本文提出了一种新型框架，以在 FASTSim 开源车辆仿真工具中实现基于强化学习的能量管理策略，并在不同测试驾驶周期下对不同的车型进行评估，证明了这些基于强化学习的能量管理策略在提高能源效率方面的有效性。

May, 2023

本论文综述了近期基于深度学习算法的电力系统监测和优化算法，以应对由于可再生能源资源集成而引起的电力系统的规模、复杂性和动力性的增加，以及历史测量数据收集的趋势和快速发展的深度学习领域的最新进展。

Mar, 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

通过使用强化学习代理进行分层控制架构，通过联邦学习训练，本文介绍了一个名为 FRESCO 的框架，旨在简化能源市场的实施，实现下一代电网的愿景。核心概念是通过使贪婪代理受到来自更高级代理的变化条件的影响，创建一个合作设置，以实现所有个体目标的实现。

Mar, 2024

能源储存系统是能源市场中至关重要的组成部分，本研究提出了一种异质光伏 - 能源储存系统，利用了电池能量存储和氢能存储的特性，通过开发全面的成本函数和基于人为设计的原型网络，实现了透明的调度策略并取得了令人满意的效果。

Oct, 2023

深度强化学习和迁移学习的结合是选择适当的能量管理策略的更加高效的方法，并且对比了使用不同探索方法的深度强化学习的迁移学习过程中的性能，结果显示在参数空间加入噪声的网络更加稳定和迅速收敛。

Feb, 2022