Adaptive quantum inspired deep reinforcement learning for multi objective low carbon CCHP optimization

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Novel integration of quantum-inspired evolutionary algorithms with DRL for multi-objective optimization; the hierarchical digital twin and C-OPF model are methodological contributions.

🏢実務担当者:Potential to reduce operational costs and emissions for CCHP plant operators; the 24.44% cost reduction and 40% emission cuts are compelling, but field validation is needed.

🏛政策担当者:Demonstrates the value of AI-driven optimization for demand response and carbon trading schemes; could inform incentives for smart grid and distributed energy resources.

低炭素型の冷暖房・電力併給（CCHP）システム向けに、深層強化学習（DRL）に基づく新規の多目的最適化フレームワークを提案する。本フレームワークは、適応型量子インスパイア進化アルゴリズム（QIEA）とデジタルツイン技術を統合する。提案する適応型量子DRL多目的最適化（AQ-DRLMO）モデルは、炭素排出のフロー監視、ラダー型炭素取引、およびデマンドレスポンススケジューリングを組み込むことにより、CCHPシステムに内在する複雑なスケジューリング課題に対処する。階層型デジタルツイン構造は、物理情報ニューラルネットワーク（PINNs）を通じて予測最適化を可能にし、熱力学的相互作用の正確なモデリングを保証する。3つの強化制御戦略、すなわち電気・熱等価追従（ETEF）、電気等価追従（EEF）、および熱等価追従（TEF）を導入し、時系列パターン認識にはアテンション機構に基づくトランスフォーマーネットワークを採用する。新規の炭素意識最適電力フロー（C-OPF）モデルは、多段階のエネルギー変換経路全体にわたる炭素フローを追跡する。夏季および冬季の運転条件下で実施した広範なシミュレーションにより、提案するAQ-DRLMOフレームワークは、従来の個別発電システムと比較して、異なる制御戦略および季節シナリオにおいて、温室効果ガス排出量を40.08%削減し、一次エネルギーを34.04%節約し、コストを24.44%削減することを実証する。量子インスパイア最適化は、パレートフロントにおける解の多様性を維持しながら、従来の遺伝的アルゴリズムと比較して67.3%高速な収束を達成し、同一の試験条件下で、標準的な遺伝的アルゴリズムの137回の反復に対して、45回の反復で収束する。本研究は合成負荷プロファイルとシミュレーション生成による検証データに依存しているため、これらの知見は、検証済みのリアルタイム制御ソリューションではなく、日前スケジューリングの可能性に関するシミュレーションベースの実証として解釈するのが最も適切である。現場検証を条件として、本フレームワークは、低炭素型分散エネルギーシステムにおけるスマートグリッドエネルギー管理の効率的なソリューションとして有望であることを示している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

A novel deep reinforcement learning (DRL)-based multi-objective optimization framework for low-carbon combined cooling, heating, and power (CCHP) systems is proposed. The framework integrates adaptive Quantum-Inspired Evolutionary Algorithms (QIEA) with digital twin technology. The proposed Adaptive Quantum-DRL Multi-Objective Optimization (AQ-DRLMO) model addresses the complex scheduling challenges inherent in the CCHP systems by incorporating flow monitoring of carbon emission, ladder-type carbon trading, and demand response scheduling. A hierarchical digital twin structure enables predictive optimization through Physics-Informed Neural Networks (PINNs), ensuring accurate modeling of thermodynamic interactions. Three enhanced control strategies Electric-Thermal Equivalent Following (ETEF), Electric Equivalent Following (EEF), and Thermal Equivalent Following (TEF) are introduced and employed attention-based transformer networks for temporal pattern recognition. A novel Carbon-Conscious Optimal Power Flow (C-OPF) model tracks carbon flows across multi-stage energy conversion pathways. Extensive simulations conducted under summer and winter operating conditions demonstrate that the proposed AQ-DRLMO framework achieves greenhouse gas emission reduction of 40.08%, primary energy saving of 34.04%, and cost reduction of 24.44% compared to conventional individual generation systems across different control strategies and seasonal scenarios. The quantum-inspired optimization achieves 67.3% faster convergence compared to conventional genetic algorithms while maintaining solution diversity in the Pareto front, converging in 45 iterations versus 137 iterations for standard genetic algorithms under identical test conditions. This study relies on synthetic load profiles and simulation-generated validation data; therefore, the findings are best interpreted as a simulation-based demonstration of day-ahead scheduling potential rather than a validated real-time control solution. Subject to field validation, the framework shows promise as an efficient solution for smart grid energy management in low-carbon distributed energy systems.

• openalex https://doi.org/10.1038/s41598-026-51604-wfirst seen 2026-06-12 05:12:08 · last seen 2026-06-17 07:11:41