精选理由
用随机森林和强化学习优化氢能调度
该研究利用一年高分辨率运营数据，提出统计与机器学习框架表征氢基多能源系统。统计分析显示太阳辐照度解释了氢产量45.7%的秩基方差，且仅高辐照期触发电解槽有效运行。随机森林模型将风能输出排在预测重要性首位，尽管其二元相关性仅为r=0.167，揭示了非线性动力学。序列模型利用24小时自相关r=0.845实现运营预测，强化学习代理优化了氢收益调度。
AI 翻译 · 中文
该研究利用一年高分辨率运营数据，提出统计与机器学习框架表征氢基多能源系统。统计分析显示太阳辐照度解释了氢产量45.7%的秩基方差，且仅高辐照期触发电解槽有效运行。随机森林模型将风能输出排在预测重要性首位，尽管其二元相关性仅为r=0.167，揭示了非线性动力学。序列模型利用24小时自相关r=0.845实现运营预测，强化学习代理优化了氢收益调度。
This study presents a statistical and machine learning framework for characterizing a hydrogen-based multi-energy system (H-MES) using one year of high-resolution operational data. Statistical analysis revealed a binary …