- 德克萨斯州的电动车充电和可再生能源整合策略
通过在德克萨斯州的背景下研究电动汽车（EVs）、可再生能源和智能电网技术的融合，本研究探讨了阻碍 EVs 广泛采用的挑战。通过动态时间扭曲（DTW）聚类和 k-means 聚类方法，根据总负荷和净负荷将每天进行分类，提供了关于日常电力消费和 - 可再生能源系统和电网优化中的分布式解决方案赋能
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 - 用于评估中压电网可靠性的图同构网络
利用图同构网络（GIN）进行中压网的 1-n 评估，结果显示相较于传统的数学优化方法，GIN 方法具有更快、更可靠的评估速度，减少了大约 1000 倍的预测时间，为解决计算挑战、提高能源网络评估的可靠性和效率提供了一种有前景的方法。
- 解构电力市场价格事件的机器学习框架
使用基于机器学习的分析框架，我们解析了现代带有高比例可再生能源的电力市场中价格波动事件的主要驱动因素，结果可应用于市场设计、可再生能源的调度和削减、运营以及网络安全应用等关键领域。
- 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。
- 深度强化学习在过程设计中的应用：综述与展望
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 - HouYi：一个专为可再生能源和碳中和领域设计的开源大型语言模型
这篇论文通过开发 HouYi 模型并使用专门设计的 REAP 数据集，在可再生能源领域展示出了强大的学术论文段落生成能力，相对于其他模型，它在可再生能源论文的生成能力上表现出色。
- 基于循环趋势预测神经网络的智能家居可预测调度下的可再生能源管理
本文提出了一种高级 ML 算法 rTPNN-FES，该算法可以同时预测可再生能源发电和安排家庭用电，并能够消除预测和调度的差异，为智能家居提供了高效的需求控制和节约能源的解决方案。
- 结合变分自动编码器和径向基函数核的相关风电和太阳能的长期逐小时情景生成
本文提出一种基于变分自编码器和径向基函数核的创新方法，可以生成适用于风能和太阳能发电的长期每小时情景，利用该方法生成的情景具有高度相关性，精确捕捉了这些能源的时间和空间特征；本方法提供了改进的准确性和稳健性，可用于更好的管理可再生能源的波动 - 基于人工智能的近实时边际定价方法：可行性和鲁棒性研究
该研究评估了在多个电力网格上使用流行的机器学习和深度学习模型预测 LMP 的性能，表明机器学习模型相比传统的最优功率流求解器在 LMP 预测方面具有更快的速度和更低的误差率，这为大规模电力模型中的 LMP 预测提供了潜力。
- 多市场可再生能源优化及强化学习
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。
- 短期电力负荷预测误差的元回归分析
本文使用元回归分析方法对电力负荷短期预测精度的影响因素进行了研究，发现预测方法、预测粒度和预测时间步长对 MAPE 的影响较大，本文最终确定 LSTM 方法和神经网络与其他方法的组合是最佳预测方法，同时也提出了在负荷预测领域中需要进一步进行 - FedZero：利用可再生过剩能源实现联邦学习
提出了基于可再生能源、FedZero 的联邦学习系统，利用能量和负载预测，在历史太阳能和负载状况的基础上，选择客户端进行快速收敛和公平参与，从而将训练的操作碳排放降至零。
- 基于序列到序列预测的电力系统状态估计
本文提出一种端到端的深度学习框架，以准确预测实时多步电力系统状态估计，该模型采用序列到序列框架和双向门控循环单元（BiGRUs），在现有模型中具有卓越的预测能力表现。
- 机器学习推断电力系统吸引盆地
提出了一种基于平衡库容计算的机器学习技术，通过测量数据推断典型电力系统中引起运行中断的吸引盆地，并证明该技术可以准确预测系统是否能在大幅度随机扰动后返回到功能状态，同时还可以用于推断典型混沌系统中的吸引子。
- 基于分层通信的多智能体近端策略优化，集体控制大型风电场多元化输出功率
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。
- 基于深度强化学习的物联网驱动智能孤岛微电网最优调度
本文使用深度强化学习技术研究了 IoT 驱动孤立微电网中柴油发电机（DG）的调度问题。旨在在可再生能源不确定性情况下充分利用可再生能源，通过离散 - 连续混合动作空间的 DRL 算法解决了二进制 DG 开关决策和连续能量调度决策，并针对旋转 - 太阳能智能垃圾分类箱，包括 SMS 通知和机器学习图像处理技术
该研究旨在构建一个智能垃圾箱，利用可再生太阳能源，将固体废物分离到各自的垃圾箱中，以使垃圾管理过程对最终用户更具吸引力，并在垃圾箱需要卸载时通知实用程序人员，研究者基于 Agile Development 方法，使用六个基本阶段进行规划、设 - 使用长短期记忆网络的智能电网可再生能源需求预测模型 REDf
本研究探讨使用基于深度学习的模型（REDF）来预测能源需求，以提高可再生能源的整合，并与 Facebook Prophet 和支持向量回归等算法进行了比较，结果表明 REDF 模型能以 1.4% 的平均绝对误差准确预测能源需求。
- 利用改进的多智能体软 actor-critic 算法进行多微电网协同优化调度
本研究提出一种基于多智能体集中培训分布执行框架的多微电网协同优化调度模型，并采用改进的多智能体软演员 - 评论家算法 (MASAC) 和自动机器学习 (AutoML) 对其进行优化，以提高深度强化学习的泛化能力，实现不同实体之间的电能互补，