Optimum Cost and Eco-Friendly Power Management in a Micro-Grid, Based on Multi-Agent Reinforcement Learning
Notice bibliographique
Résumé
This paper suggests adopting reinforcement learning-based (RL) strategy to overcome obstacles to micro-grid (MG) power management. Intended MG includes battery energy storage system (BESS), wind turbine (WT), photovoltaics (PV), and combined cooling, heating, and power (CCHP) related units. In order to achieve a reliable and eco-friendly MG, a model-free RL approach is applied to preserve the multi-objective fuel and CO2 emission price function as minimal as conceivable. Moreover, inclusion of a penalty factor in the cost function acknowledges the inherent variability of WT and PV systems. As such, it is essential to account for the potential risks and costs associated with their intermittent power generation. Therefore, a multi-agent reinforcement learning (MARL) solution is put forward to handle the task. By merging smaller tasks each individual agent undertakes, MARL aim to solve the challenging problem of identifying the optimal operating power points amongst generation units, rather than just one agent. Moreover, to empower the proposed strategy, grid search is employed to tune the hyperparameters, as a systematic technique involves extensively exploring predefined range of hyperparameter values. The outcomes reveal the suggested MARL adequately allocates the power generation to the micro-turbine in CCHP system, sources of renewable energy, as well as the BESS.
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 | 0,000 |
| 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 ».