通过专门的机器学习模型和领域分解，该研究提出了一种减少大规模地质储存成本的方法，以增强机器学习在地质碳储存中的效率。

Oct, 2023

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

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

研究使用机器学习和数据同化技术，利用替代模型对地质碳储存项目进行集成，并在保持高保真度的情况下得到后验状态的结果。结果表明，利用机器学习模型进行数据同化可以显著提高标准 ESMDA 过程的速度，并且使用替代模型实现的随机最大似然方法在确定性建模和不确定性量化方面优于传统的 ESMDA 方法。

Feb, 2024

本文提出一种新的物理学和边界条件意识的局部学习方法，扩展 Embed-to-Control 和 Embed-to-Control 和 Observed 模型，用于学习 Advection-Diffusion Reaction 系统中全局状态变量的局部表示，经过油藏模拟数据训练的模型能够预测系统的未来状态，相对于原始 E2C 和 E2CO 模型，缩短了训练时间并提高了准确性。

May, 2023

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

本文提出了一个新的框架，使用长短期记忆（LSTM）时间序列预测和深度确定性策略梯度 (DDPG) 多智能体强化学习算法来解决可再生能源不确定性在智能电网中带来的挑战和分布能源管理中的新挑战，旨在同时考虑两个目标，从而实现对批发和零售市场的高效能源管理，并证明建议的解决方案显着提高了载荷服务实体（LSE）的利润，同时使用 DDPG 代理实现人工智能电池充电 / 放电，以最大化分布式 PV 和电池安装用户的利润。

Feb, 2023

该研究提出了一种采用深度强化学习和 Transformer 框架的方法来解决在水力发电管理中应对多水库系统的电力生成、生态保护和居民用水等多方面协调而导致的时间成本水资源不足的问题，并在美国科罗拉多河流域的 MeadLake 和 PowellLake 上得到实际应用，表明这一方法能够有效提高水力发电系统的制电量和收益，同时还能减少对环境的影响。

Jul, 2023

该研究介绍了一种深度强化学习框架，用于优化可再生能源和储能发电厂的操作，以最大化能源市场收益，同时最小化储能损耗成本和可再生资源废弃。

Jun, 2023

本文提出了一种基于物理学的机器学习模型来预测管道内壁上的气压，该模型可以应用于氢气与天然气混合运输的管道系统监控中，此方法优于完全基于数据推导的方法。

Jun, 2023