面向住宅智能电网智能负荷调度的分布式深度强化学习
最优化与控制
2020-06-30 v1 机器学习
摘要
近年来家庭用电消耗持续增长。为应对这一增长，有必要对家庭用电曲线进行智能管理，以使家庭节省电费，并降低用电高峰时段对电网的压力。然而，由于电价与家电消耗存在随机性，此类方法的实施颇具挑战。为应对该挑战，我们为家庭采用一种无模型方法，该方法仅需关于不确定因素的有限信息。更具体地，家庭与电网之间的交互可建模为非合作随机博弈，其中电价视为随机变量。为求解该博弈的纳什均衡（NE），我们采用基于分布式深度强化学习的方法。此外，所提方法可保护家庭隐私。随后，我们利用来自 Pecan Street Inc. 的真实数据（包含超过 1000 户家庭的用电曲线）评估所提方法的性能。平均而言，结果显示峰值平均比（PAR）降低约 12%，负荷方差降低约 11%。借助该方法，电网的运行成本与家庭的用电成本均可降低。
引用
@article{arxiv.2006.16100,
title = {Distributed Deep Reinforcement Learning for Intelligent Load Scheduling in Residential Smart Grids},
author = {Hwei-Ming Chung and Sabita Maharjan and Yan Zhang and Frank Eliassen},
journal= {arXiv preprint arXiv:2006.16100},
year = {2020}
}
备注
Accepted by IEEE Transactions on Industrial Informatics