Deep reinforcement learning approach for hybrid renewable energy systems optimization
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
The sizing of hybrid renewable energy systems (HRES) is a major challenge faced in contemporary energy research. The optimal configuration based on the specific consumption requirements is essential for strategic energy planning. Effective sizing must balance the investment costs, reliability, environmental impacts, and greenhouse gas emissions while satisfying the expected energy requirements. This study proposes a novel multi-criteria sizing approach based on deep reinforcement learning (DRL). The DRL agent is guided by a reward function that integrates three essential performance metrics: energy cost (LCOE), renewable energy fraction (REF), and the loss of power supply probability (LPSP). A penalty function is also included to consider the reliance on external sources, such as diesel generators and the public grid, promoting greater autonomy and renewable usage. The DRL-based approach was implemented and tested on three distinct demand profiles, using hourly data for one year. A comparative analysis was conducted against three established methods: particle swarm optimization (PSO), multi-objective PSO (MOPSO), and non-dominated sorted genetic algorithm (NSGA-II). The results indicate that DRL significantly outperforms all the benchmark methods in terms of economic efficiency. DRL achieves a significant reduction in the energy costs, ranging from 21.33 % to 30.09 % when compared with PSO, 27.89 %–30.27 % when compared with MOPSO, and 27.63 %–28.47 % when compared with NSGA-II. These findings demonstrate that DRL presents a robust and adaptive framework for the sizing and operational control of HRES. DRL presents more autonomous, cost-effective, and scalable renewable energy solutions by minimizing the energy costs while maintaining the system reliability.
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 | 0,001 |
| 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