NeuraFlux: A scalable and adaptive framework for autonomous data-driven multi-agent power optimization
Notice bibliographique
Résumé
NeuraFlux is an open-source, adaptive multi-agent reinforcement learning platform designed to optimize energy management in complex, dynamic environments. It addresses key challenges in coordinating distributed energy resources, including scalability limitations, difficulties in managing competing objectives, and lack of real-time adaptability. This paper presents two primary contributions: the theoretical foundations of NeuraFlux and its significance in modern power systems infrastructure and control, along with a novel training algorithm optimized for real-world deployment performance. Through three case studies—energy storage market arbitrage, heating, ventilation, and air conditioning (HVAC) system control, and electric vehicle grid integration—NeuraFlux’s effectiveness in managing intricate, multi-agent, and multi-objective optimization challenges is demonstrated. The modularity and scalability demonstrated in these examples, combined with the framework’s technical robustness for edge deployment, establish NeuraFlux as a powerful and practical tool for deploying advanced control systems in modern power and energy systems. • Scalable Optimization: Multi-agent deep reinforcement learning-based framework for optimizing distributed energy resources, aimed at supporting real-time, data-driven power systems optimization in diverse scenarios. • Modular and Scalable Design: The framework’s architecture is both modular and scalable, integrating with various assets and consumer devices, and featuring a novel training algorithm optimized for real-world performance. • Open Source Contribution: By releasing NeuraFlux as open-source, the research promotes transparency, collaboration, and innovation, enabling diverse applications and advancements in energy optimization contexts.
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 | 0,000 | 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 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 ».