通过可微投影强制执行策略可行性约束用于能源优化
系统与控制
2021-05-20 v1 机器学习
系统与控制
摘要
尽管强化学习（RL）在能源系统控制中日益流行，但其实际应用受限，因为所学策略的动作可能不满足功能需求或对底层物理系统不可行。在这项工作中，我们提出 PROjected Feasibility（PROF），一种在神经网络策略中强制执行凸运行约束的方法。具体而言，我们在基于神经网络的策略中融入一个可微投影层，以强制所有学到的动作均可行。然后我们通过该可微投影层传播梯度来端到端更新策略，使策略感知运行约束。我们在两个应用上演示了我们的方法：节能建筑运行和逆变器控制。在建筑运行设定中，我们表明 PROF 在维持热舒适需求的同时，比最先进方法提高能效 4%。在逆变器控制设定中，PROF 在 IEEE 37-总线馈线系统上完美满足电压约束，因为它学会在其安全集内尽可能少地削减可再生能源。
引用
@article{arxiv.2105.08881,
title = {Enforcing Policy Feasibility Constraints through Differentiable Projection for Energy Optimization},
author = {Bingqing Chen and Priya Donti and Kyri Baker and J. Zico Kolter and Mario Berges},
journal= {arXiv preprint arXiv:2105.08881},
year = {2021}
}
备注
Accepted at Twelfth ACM International Conference on Future Energy Systems (ACM e-Energy)