基于稀疏观测与深度强化学习的温控负荷直接负荷控制
机器学习
2020-01-28 v1
摘要
本文考虑一个需求响应智能体，该智能体必须基于对其环境的稀疏观测找到近最优的决策序列。从这些观测中提取相关特征集是一项具有挑战性的任务，可能需要大量的领域知识。解决这个问题的一种方法是将过去观测和动作的序列存储在状态向量中，使其成为高维向量，并应用深度学习技术。本文研究了不同深度学习技术（如卷积神经网络和循环神经网络）的能力，以提取相关特征，从而为受稀疏观测阻碍的住宅供暖系统和电热水器寻找近最优策略。我们的仿真结果表明，在这种特定场景下，将时间序列输入到 LSTM 网络（一种特定类型的循环神经网络）中，比将这些时间序列堆叠在卷积神经网络或深度神经网络的输入端取得了更高的性能。
引用
@article{arxiv.1707.08553,
title = {Direct Load Control of Thermostatically Controlled Loads Based on Sparse Observations Using Deep Reinforcement Learning},
author = {Frederik Ruelens and Bert J. Claessens and Peter Vrancx and Fred Spiessens and Geert Deconinck},
journal= {arXiv preprint arXiv:1707.08553},
year = {2020}
}
备注
submitted and waiting review in IEEE transactions on smart grid 2017