Mar, 2024

基于强化学习的奶牛场蓄电池管理的 Q 学习方法

PDF
TL;DR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。
dairy farmingrenewable energy generationbattery managementartificial intelligenceq-learning-based algorithm
发现论文，激发创造
  • 奶牛养殖中的电池管理强化学习

    本研究利用 Q 学习在奶牛养殖场景中学习了一种有效的电池充放电策略，结果显示与基准算法相比，该策略显著降低了电费，突出了奶牛养殖业中强化学习在电池管理方面的有效性。

    Aug, 2023

  • 基于强化学习的奶牛农场点对点能源交易

    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

  • 农业中的可再生能源整合：基于深度强化学习的方法

    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

  • 运用基于代理的建模方法对爱尔兰奶牛农场的电力消耗进行建模

    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。

    Aug, 2023

  • 基于规划的强化学习实现可再生能源电力系统的实时调度

    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

  • 基于强化学习的物联网系统中多接入控制和能量收集电池预测

    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

  • 强化学习推进可再生电力消费

    为了解决再生能源的间歇性对无碳电力发电的最大挑战，我们提出了一种电力定价代理，采用增强学习方法实现定价策略，通过价格信号鼓励顾客将用电需求转向高再生能源时段。

    Mar, 2020

  • 时间变化的约束感知强化学习与能量存储控制

    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

  • 基于强化学习的电力网日前规划及人工智能辅助控制

    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

  • 在线建筑能量优化使用深度强化学习

    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