Multi-Agent Deep Reinforcement Learning 用于奶牛场多目标电池管理

arXiv cs.AI 论文
reinforcement-learning multi-agent battery-management dairy-farms renewable-energy optimization

摘要

本文提出了一种多目标控制系统，利用差分进化和多智能体深度强化学习对奶牛场的电池进行管理，与基于规则的模型相比，能源套利利润最高可提高18%。

arXiv:2607.06489v1 Announce Type: new 摘要：爱尔兰乳制品行业在整合可再生能源和减少碳排放方面具有巨大潜力。然而，分布式发电控制的研究人员主要关注住宅和商业应用。为了促进乳制品行业可再生能源的有效整合，本文提出了一种基于差分进化和多智能体深度强化学习的多目标优化控制系统。所提出的控制分为两层：上层使用动态定价，下层基于多智能体强化学习进行电池管理。本文还模拟了所提出的控制系统在农村配电回路中的电气响应。仿真结果表明，与基于规则的模型相比，所提出的控制框架可将能源套利利润提高最多18%，增加分布式发电的使用而不会显著增加成本，并在电压变化方面符合爱尔兰电网规范。
查看原文
查看缓存全文

缓存时间: 2026/07/08 04:40 

# Multi-Agent Deep Reinforcement Learning for Multi Objective Battery Management in Dairy Farms（基于多智能体深度强化学习的奶牛场多目标电池管理）
来源：https://arxiv.org/abs/2607.06489
查看PDF（https://arxiv.org/pdf/2607.06489）

> 摘要：爱尔兰奶牛养殖业在整合可再生能源和减少碳排放方面具有巨大潜力。然而，分布式发电控制的研究主要集中于住宅和商业应用。为促进可再生能源在乳制品行业的有效整合，本文提出了一种基于差分进化和多智能体深度强化学习的多目标优化控制系统。该控制方案分为两层：上层采用动态定价机制，下层基于多智能体强化学习进行电池管理。本文还在农村配电线路中模拟了所提出控制系统的电气响应。仿真结果表明，与基于规则模型相比，该控制框架可将能源套利收益提升高达18%，在不显著增加成本的情况下提高分布式发电利用率，并满足爱尔兰电网规范中的电压变化要求。

## 提交历史

来自：Marcos Eduardo Cruz Victorio [查看邮件（https://arxiv.org/show-email/11e7ef65/2607.06489）]  
**[v1]** 2026年7月7日（星期二）16:48:27 UTC（356 KB）

相似文章

可扩展的约束多智能体强化学习：通过状态增强与一致性实现可分离动力学

arXiv cs.LG

本文提出了一种分布式方法，用于约束多智能体强化学习，该方法采用状态增强策略学习和对偶变量上的邻居间一致性，以在满足全局资源约束的同时实现智能体数量线性扩展。在智能电网需求响应上的实验表明，一致性协调对可行性至关重要：与集中式训练方法不同，它能够扩展到数千个智能体。

基于可靠性的双目标投资组合优化的深度强化学习

arXiv cs.LG

本文提出了一种深度强化学习框架（MORP-DRL），用于多目标基于可靠性的投资组合优化，在实践约束下使用CVaR和EVaR联合优化期望收益和下行风险，并在不同市场体制下的全球股票指数上展示了性能。

学习合作、竞争和沟通

OpenAI Blog

OpenAI 展示了多智能体强化学习环境的研究，其中智能体学习合作、竞争和沟通。该论文介绍了 MADDPG（Multi-Agent DDPG），这是一种集中式评论家方法，能够让智能体比传统的分散式方法更有效地学习协作策略和沟通协议。