The thesis presents a model-free approach based on Deep Reinforcement Learning for optimizing energy management in a microgrid. The DQN agent controls the battery and the microturbine using real-world data, without relying on predictive models.
La tesi presenta un approccio model-free basato su Deep Reinforcement Learning per l’ottimizzazione della gestione energetica in una microgrid. L’agente DQN controlla batteria e microturbina utilizzando dati reali, senza ricorrere a modelli predittivi.
ENERGY MANAGEMENT OF A MICROGRID USING DEEP REINFORCEMENT LEARNING: A CASE STUDY
LOSIGNORE, FRANCESCO
2023/2024
Abstract
The thesis presents a model-free approach based on Deep Reinforcement Learning for optimizing energy management in a microgrid. The DQN agent controls the battery and the microturbine using real-world data, without relying on predictive models.File in questo prodotto:
Fulltext non presente su UNITESI – Verifica la disponibilità della tesi in formato cartaceo interrogando il Catalogo di Ateneo
I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento:
https://hdl.handle.net/20.500.14253/87125