.png){kind=icon}
返回
Machine learning driven many-objective moving horizon scheduling optimization
.png){kind=icon}
OA
AI
DOI：10.1002/aic.70657.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工业电气化可以实现化工制造业的脱碳，但会使生产运营暴露于波动的电价和碳排放强度中。本研究开发了一种机器学习增强的多目标滚动时域调度框架，该框架可预测48小时价格和排放强度曲线中的目标相关性分组，避免了重复在线降维和冗余的帕累托前沿生成。通过利用由目标降维算法标记的历史电网情景来训练分类器，实现了94%的五类分组识别准确率和近99%的二分类成本-排放关系分类准确率。在灵活氨生产中，随机森林模型通过识别何时需要妥协方案以及何时目标足够相关，实现了对未知的ISO新英格兰数据的有效调度。该框架还应用于氯碱电解过程。跨过程结果显示，目标关系取决于过程约束和操作灵活性，而迁移学习仅在目标过程数据有限时才能提升长短期记忆网络（LSTM）的性能。
Keyword:
machine learning
many-objective optimization
moving horizon scheduling
transfer learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4
论文数:
1.1W
被引数:
2.9W
机构
引用论文
Model predictive control of nonlinear processes using transfer learning-based recurrent neural networks使用基于转移学习的递归神经网络对非线性过程进行模型预测控制
PREAI
分享收藏分享收藏Dynamic Scheduling Method for Job-Shop Manufacturing Systems by Deep Reinforcement Learning with Proximal Policy Optimization.png)
SUSTAINABILITY
OAAI
SUSTAINABILITYIF3.3
OAAI分享收藏
查看更多内容