基于多智能体深度 Actor-Critic 学习的智能电网需求侧调度
机器学习
2022-08-24 v2 系统与控制
系统与控制
机器学习
摘要
我们考虑需求侧能源管理问题，其中每个家庭配备一个能够在线调度家用电器的智能电表。目标是在实时定价方案下最小化总成本。以往工作引入了调度算法具有完全可观测性的集中式方法，而我们提出将智能电网环境建模为马尔可夫博弈。每个家庭是一个具有部分可观测性的去中心化智能体，这在实际场景中实现了可扩展性和隐私保护。电网运营商产生一个随能源需求变化的电价信号。我们提出一种多智能体深度 Actor-Critic 算法的扩展，以应对部分可观测性以及从智能体视角感知到的环境非平稳性。该算法学习一个集中式 Critic 来协调去中心化智能体的训练。因此，我们的方法采用集中式学习但去中心化执行。仿真结果表明，我们的在线深度强化学习方法仅基于瞬时观测和电价信号，就能降低所有家庭总能耗的峰均比和电力成本。
引用
@article{arxiv.2005.01979,
title = {Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids},
author = {Joash Lee and Wenbo Wang and Dusit Niyato},
journal= {arXiv preprint arXiv:2005.01979},
year = {2022}
}
备注
6 pages, 4 figures, 2 tables. This paper was accepted for publication by the 2020 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids (SmartGridComm). Replacement with this "accepted article" is mandated by the IEEE. The paper was shortened to meet the conference's page limit. Findings remained unchanged