A Model-Free Multi-Agent Reinforcement Learning Approach to Reach a Robust, Optimal, and Environment-Friendly Power Management in a Micro-Grid
Notice bibliographique
Résumé
This study recommends employing recurrent neural networks and reinforcement learning-based approaches to address challenges in micro-grid (MG) power management. The proposed MG contains combined cooling, heating, and power (CCHP), wind turbine (WT), photovoltaic (PV), and battery energy storage system (BESS). To effectively estimate the production of 24-hour renewable resources, a multi-layer recurrent neural network (MLRNN) model is developed, trained by historical wind and solar variables dataset. Over previously researched methods, the approach offers advantages, including improved accuracy and extracting non-linear mapping function amongst the features and output. Moreover, the model's hyperparameters are tuned through an auto grid-search algorithm, which leads to a more accurate prediction. The forecasted values, then is employed in next study phase which is optimal power management within MG's generation units. In this regard, a model free reinforcement learning is adopted to keep the multi-objective fuel and CO <inf xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</inf> emission cost function minimized, to have a robust and environmentally friendly MG. So, a multi-agent reinforcement learning (MARL) is proposed to take the responsibility. The main objective of multi-agent solution is to overcome the challenging issue of finding the optimum operation points in a complicated environment with only one agent, by combining the simpler tasks that each agent does. According to the findings, the proposed MARL successfully dispatch the power generation among renewable resources and micro turbine in CCHP system, optimally. Moreover, the results validate the BESS proper performance in light and heavy load periods in the MG.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».