通过引入一个新的强化学习框架来解决可再生能源系统中设计和控制的协同优化问题，可以提高可再生能源的整合和系统效率，推动能源管理领域的强化学习应用，实现可再生能源的更高效和更有效利用。

Jun, 2024

本文系统地概述了现有的可解释强化学习方法，提出了一个新的统一分类方法，并建立了三个支柱来减少解释生成和接收方之间的差距并实现解释的诚实和真实性。

Mar, 2022

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

转向可再生能源和原料供应的化工行业需要新的概念性工艺设计方法。最近，人工智能的突破为加速这一转型提供了机会。特别是深度强化学习作为机器学习的一个子类，已显示出解决复杂决策问题和辅助可持续工艺设计的潜力。我们通过三个主要元素调查了强化学习在工艺设计中的最新研究：（i）信息表示，（ii）智能体体系结构和（iii）环境和奖励。此外，我们讨论了潜在挑战的观点和有前景的未来工作，以充分发挥化工工程中强化学习的潜力。

Aug, 2023

随着能源转型的持续进行，需求侧灵活性已成为现代电力网络的一个重要方面，以提供网络支持并实现可持续能源的进一步整合。除了传统能源源之外，住宅部门是另一个主要且大量未开发的灵活性源，这是由于太阳能光伏、家庭电池和电动汽车的增加而推动的。然而，解锁住宅灵活性是具有挑战性的，因为需要一个能够有效管理家庭能源消耗并在各种不同的房屋之间具有可扩展性的控制框架，并维持用户舒适度。我们旨在解决这个具有挑战性的问题，并引入一种基于可微分决策树的强化学习方法。该方法将数据驱动的强化学习的可扩展性与（可微分的）决策树的可解释性相结合。这导致了一个可以在不同房屋之间轻松适应并向最终用户解释的简单控制策略，进一步改善用户接受度。作为概念验证，我们使用家庭能源管理问题来分析我们的方法，将其与商业可用的基于规则的基准控制器和标准神经网络强化学习控制器的性能进行比较。通过这项初步研究，我们展示了我们提出的方法的性能与标准强化学习控制器相当，相较于基准控制器，在每日成本节约方面表现优异，节约率提高了大约 20%，同时又易于解释。

Mar, 2024

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

通过收集 Scopus 数据库中的 3,568 篇相关论文，自动发现了 AI 治理能源的 15 个参数或主题，这篇论文深化了我们对能源中 AI 治理的知识，并有望帮助政府、工业、学术界、能源生产者和其他利益相关者了解 AI 在能源部门的应用，从而实现更好的设计、运营、利用和风险管理。

Oct, 2022

本研究探讨了随着气候变化对能源生产和消费管理的需求的增加，如何利用深度增强学习算法管理未来的法国电力网络，促进使电力运输网络更好地平衡生产和消费、最小化能量损失以及尽可能地确保人员和设备安全，旨在达到 2030 年法国碳排放净零的目标。

Jul, 2022

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

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