面向学习最优悬浮电流的自动化环境设计通用方法
机器学习
2025-05-14 v1 人工智能
系统与控制
系统与控制
摘要
强化学习 (RL) 算法越来越多地用于解决最优悬浮电流 (OPF) 问题。然而，如何设计 RL 环境以最大化训练性能仍是一个未解之谜，无论是针对 OPF 还是一般情况。我们提出了一种用于自动化 RL 环境设计的通用方法，利用多目标优化。为此，我们使用超参数优化 (HPO) 框架，该框架允许重用现有的 HPO 算法和方法。在五个 OPF 基准问题上，我们证明了我们的自动化设计方法始终优于手动创建的基线环境设计。进一步，我们使用统计分析确定哪些环境设计决策对于性能尤其重要，从而导致多个新颖见解，表明 RL-OPF 环境应如何设计。最后，我们讨论了将环境过拟合到所用 RL 算法的风险。据我们了解，这是首个针对自动化 RL 环境设计的通用方法。
引用
@article{arxiv.2505.07832,
title = {A General Approach of Automated Environment Design for Learning the Optimal Power Flow},
author = {Thomas Wolgast and Astrid Nieße},
journal= {arXiv preprint arXiv:2505.07832},
year = {2025}
}
备注
14 pages, accepted at ACM e-energy 2025