本文介绍了一种名为DMOVE的算法，它利用连续回报分布来计算多目标协调图中预期标量化回报的集合。DMOVE算法可用于风场控制等实际问题，可以计算期望标量化回报作为单次执行多策略时的实用功能。

Jul, 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

本文介绍了两项新的安全强化学习方法，OptLayerPolicy和self-improving hard constraints，将约束函数与RL形式解耦，以提高初始效用和准确性，提供了在模拟的多能源系统案例研究中实现92.4%（OptLayerPolicy）的初始效用和104.9%（GreyOptLayerPolicy）的策略的结果。

Apr, 2023

利用强化学习开发了一种偏航控制代理来最小化偏航不一致并优化地重新分配偏航资源，重视高速段，同时保持偏航使用率低，从而显著提高风机的功率输出并提高整个风电场的收益。

May, 2023

本研究提出了一种基于通信的多代理深度强化学习大规模风力发电场综合控制方法，通过多元模型实现风力设备的高效集成使其最大化电能输出，进而提高风力发电场的整体功率输出效率。

May, 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

对于加拿大阿尔伯塔省的案例研究中，通过将西门子公司提供的热力学软件纳入环境模型，并通过模拟不确定性，如电力价格、负载和环境条件的变化，我们实施了三种常见的深度强化学习算法来处理经济型燃气轮机调度问题。在所测试的算法和基准方法中，深度Q网络（DQN）获得了最高的奖励，而近端策略优化（PPO）是最高效的方法。我们进一步提出并实施了一种动态分配燃气轮机运行和维护成本的方法，基于运行时间和循环数，与现有方法相比，我们的方法更好地近似了现代燃气轮机调度的真实成本，因此导致了更现实的策略。

Aug, 2023

提出了一个应用强化学习于情境性两阶段随机优化问题的框架，并将该框架应用于离岸风场能源市场竞标问题；通过使用DDPG算法进行训练的初步结果；提出了改进性能的未来步骤。

Dec, 2023

我们提出了一种强化学习策略来通过主动改变转子速度、转子偏转角和叶片俯仰角来控制风力涡轮发电。该方法采用了双重深度Q学习与叶片动量元模型相结合，通过训练使其能够在不同风速下进行控制，并且在真实的动态湍流风中表现出良好的性能。与传统的值迭代强化学习控制相比，双重深度Q学习表现更好，在所有环境中都优于传统的PID控制。此外，强化学习方法适用于包括湍流/阵风风在内的变化环境，表现出很大的适应性。最后，我们将所有的控制策略与真实风进行比较，并计算了年度能量产出。在这种情况下，双重深度Q学习算法也优于传统方法。

Feb, 2024

本研究解决了流体动力学中高维特性对气动流动控制的挑战，尤其是在非线性强干扰响应下。提出了一种结合新型降阶模型的基于模型的强化学习方法，有效减少了训练所需的交互成本。研究表明，该方法在多种流动环境下具有稳健性和广泛适用性，并能够有效减小在气流扰动期间的升力变化。

Aug, 2024