Multi-Agent Deep Reinforcement Learning Based Adaptive Control for Smart Greenhouse Integrated Microgrid
Notice bibliographique
Résumé
This paper proposes a multi-agent deep reinforcement learning (MADRL) framework for adaptive control of a smart greenhouse integrated into a renewable-based microgrid. The system jointly regulates temperature, humidity, <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\text{CO}_{2}$</tex> concentration, lighting, water pumping, and battery storage to reduce the electric grid dependence. To enhance training efficiency, the actor networks of Twin Delayed Deep Deterministic Policy Gradient (TD3) agents are pretrained using imitation learning on datasets generated from nonlinear model predictive control (NMPC). Simulation results across multiple tomato growth stages show that MADRL achieves performance comparable to NMPC in microclimate and energy regulation while operating almost an order of magnitude faster in online computation. Moreover, under uncertain weather forecasts with noise and bias, MADRL outperforms NMPC in both tracking accuracy and energy efficiency, demonstrating strong robustness to forecast errors and adaptability to uncertainty. These findings highlight the potential of MADRL as a computationally efficient and resilient alternative for greenhouse-microgrid operation, paving the way for real-time applications and future extensions to profit-driven, year-round control.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».