Distributed online optimization for integrated energy systems: A multi‐agent system consensus approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Summary The integration of multi‐energy within distribution networks has escalated the need for efficient operation and control of integrated energy systems (IES). Addressing the complexities of real‐time scheduling and low‐carbon optimization, we propose a novel artificial intelligence driven multi‐agent system (MAS) approach for modeling the interactions and operations within the multi‐agent integrated energy systems (MA‐IES) framework. In this framework, distinct components such as electric, gas, and heat networks are conceptualized as autonomous agents, each responsible for managing its domain while interacting with other agents to achieve system‐wide efficiency and economical goals. The agents communicate and coordinate through a distributed online optimization framework, utilizing the alternating direction multiplier method (ADMM) to ensure effective consensus despite the inherent nontransparency of information exchange. This MAS based approach allows for dynamic adaptation of strategies based on local data and global objectives, significantly enhancing the responsiveness and adaptability of MA‐IES. We further integrate an objective function reliant on a tiered carbon pricing mechanism to assess and minimize the environmental impact of operations. Enhanced by adaptive penalty coefficients within the ADMM, our MA‐IES framework demonstrates improved convergence rates and robustness in operational scenarios. Empirical validation through detailed case studies confirms the superior performance of our MAS‐based model, demonstrating its potential to realize an efficient and economical low‐carbon operation of MA‐IES.
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.
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 | 0,000 | 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 découle