A Cost-Effective and Eco-Friendly Micro-Grid by Employing a Model-Free Multi-Agent Reinforcement Learning Strategy for Power Management
Notice bibliographique
Résumé
This paper proposes the employment of reinforcement learning based strategies to tackle the complexities of micro-grid (MG) power management. The envisioned MG comprises combined cooling, heating, and power (CCHP) units, a wind turbine (WT), photovoltaic (PV), and a battery energy storage system (BESS). To accurately set the output of renewable resources and micro-turbine power generation for the upcoming day, a model-free reinforcement learning (MARL) approach is employed. This approach aims to minimize a multi-objective function that considers fuel consumption and$\text{CO}_{2}$emissions, ensuring the MG operates efficiently and environmentally friendly. The primary goal of the proposed method is to address the complex challenge of determining the optimal operational points within a sophisticated environment, a task that would be challenging for a single agent. The proposed strategy also suggests employing a meta-learning approach to fine-tune the discount factor (DF) in the Q-table function. It enhances the efficiency and robustness of the overall system compared to the fixed or grid-searched DF. Results indicate that the proposed MARL framework effectively manages the distribution of power generation among renewable resources and micro turbines in CCHP system aiming to optimize fuel cost and$\text{CO}_{2}$emission. Additionally, findings validate the BESS's reliable performance during both light and heavy load periods within 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».