https://doi.org/10.1016/j.egyai.2022.100215
❖ 第一作者: Jan Martin Specht, Institute for Future Energy Consumer Needs and Behavior (FCN), RWTH Aachen University, Germany
❖ 通讯作者: Reinhard Madlener, Norwegian University of Science and Technology (NTNU), Norway
❖ 作者邮箱: rmadlener@eonerc.rwth-aachen.de
摘要
本研究利用机器学习，更具体地说是强化学习（RL），对电力领域私人家庭规模的大量分散式灵活资产进行实时优化操作。我们展示了强化学习的潜力和目前存在的障碍，并为感兴趣的从业人员提供了指南，指导他们如何在不具备神经网络编程高级技能的情况下完成类似任务。在能源领域的应用中，我们证明了最先进的 RL 算法经过训练后，可以控制私人家庭中可能数以百万计的小型资产。具体而言，应用的 RL 算法优于普通的启发式算法，仅略低于线性优化的结果，但模拟时间不到千分之一。因此，RL 为灵活能源资产的聚合者在智能能源网的多种使用情况下优化利润铺平了道路，从而也提供了有价值的电网服务和更可持续的私人能源资产运营。
详情可点击下方“阅读原文”
Energy and AI是天津大学与Elsevier共同创办的国际学术期刊，内容涵盖人工智能技术应用于能源领域所取得的最新、最重要的研究进展。期刊最新的影响因子(IF)为9.6，CiteScore为16.5。欢迎广大学者踊跃投稿。我们的网址是：www.journals.elsevier.com/energy-and-ai
