能源数字孪生中的人工智能：面向绿色城市的基于强化学习的自适应数字孪生模型
机器学习
2024-08-30 v1
摘要
数字孪生（DT）对于实现可持续且有效的智慧城市解决方案已变得至关重要。然而，当前的 DT 建模技术无法支持这些智慧城市环境的动态性。这是由于传统方法缺乏及时数据捕获，导致建模不准确以及资源和能源消耗高等挑战。为填补这一空白，我们探索了时空图，并提出了基于强化学习的自适应孪生（RL-AT）机制，该机制采用深度 Q 网络（DQN）。通过这样做，我们的研究为推进绿色城市做出了贡献，并在准确性、同步性、资源优化和能源效率方面展示了切实的益处。结果表明，使用图数据库实现时，时空图能够提供一致的准确性和高出 55% 的查询性能。此外，我们的模型展示了及时数据捕获能力，开销降低 20%，能耗降低 25%。
引用
@article{arxiv.2401.16449,
title = {AI in Energy Digital Twining: A Reinforcement Learning-based Adaptive Digital Twin Model for Green Cities},
author = {Lal Verda Cakir and Kubra Duran and Craig Thomson and Matthew Broadbent and Berk Canberk},
journal= {arXiv preprint arXiv:2401.16449},
year = {2024}
}