Reinforcement Learning Methods for the Stochastic Optimal Control of an Industrial Power-to-Heat System

Pilling, Eric und Bähr, Martin und Wunderlich, Ralf (2026) Reinforcement Learning Methods for the Stochastic Optimal Control of an Industrial Power-to-Heat System. Energies, 19 (1046), Seiten 1-40. Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/en19041046. ISSN 1996-1073.

PDF - Verlagsversion (veröffentlichte Fassung)
3MB

Offizielle URL: https://www.mdpi.com/1996-1073/19/4/1046

elib-URL des Eintrags:

https://elib.dlr.de/226135/

Dokumentart:

Zeitschriftenbeitrag

Titel:

Reinforcement Learning Methods for the Stochastic Optimal Control of an Industrial Power-to-Heat System

Autoren:

Autoren	Institution oder E-Mail-Adresse	Autoren-ORCID-iD	ORCID Put Code
Pilling, Eric	eric.pilling (at) b-tu.de	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT
Bähr, Martin	Martin.Baehr (at) dlr.de	https://orcid.org/0000-0002-5420-5947	NICHT SPEZIFIZIERT
Wunderlich, Ralf	ralf.wunderlich (at) b-tu.de	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT

Datum:

17 Februar 2026

Erschienen in:

Energies

Referierte Publikation:

Open Access:

Gold Open Access:

In SCOPUS:

In ISI Web of Science:

Band:

DOI:

10.3390/en19041046

Seitenbereich:

Seiten 1-40

Herausgeber:

Herausgeber	Institution und/oder E-Mail-Adresse der Herausgeber	Herausgeber-ORCID-iD	ORCID Put Code
Psomopoulos, Constantinos S.	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT

Verlag:

Multidisciplinary Digital Publishing Institute (MDPI)

Name der Reihe:

Optimization and Machine Learning Approaches for Power Systems

ISSN:

1996-1073

Status:

veröffentlicht

Stichwörter:

stochastic optimal control; Markov decision process; dynamic programming;Q-learning; power-to-heat system; renewable energy; cost-optimal energy management

HGF - Forschungsbereich:

Energie

HGF - Programm:

Materialien und Technologien für die Energiewende

HGF - Programmthema:

Thermische Hochtemperaturtechnologien

DLR - Schwerpunkt:

Energie

DLR - Forschungsgebiet:

E SP - Energiespeicher

DLR - Teilgebiet (Projekt, Vorhaben):

E - Dekarbonisierte Industrieprozesse

Standort:

Cottbus

Institute & Einrichtungen:

Institut für CO2-arme Industrieprozesse > Simulation und Virtuelles Design

Hinterlegt von:

Bähr, Martin

Hinterlegt am:

03 Nov 2026 13:36

Letzte Änderung:

03 Nov 2026 13:36

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags