智能电网的广义策略学习: FL TRPO 方法

Yunxiang Li; Nicolas Mauricio Cuadrado; Samuel Horváth; Martin Takáč

智能电网的广义策略学习: FL TRPO 方法

机器学习 2024-03-28 v1

作者: Yunxiang Li , Nicolas Mauricio Cuadrado , Samuel Horváth , Martin Takáč

摘要

智能电网领域需要增强现有能源管理系统的能力；联邦学习（FL）符合这一目标，因为它展示了在异构数据集上训练模型同时保持数据隐私的卓越能力，这使其适用于智能电网应用——这些应用通常涉及阻碍线性模型适用性的不同数据分布和特征间的相互依赖关系。本文引入了一个将 FL 与信任区域策略优化相结合的框架（FL TRPO），旨在减少与能源相关的排放和成本。我们的方法揭示了潜在的相互联系，并采用个性化编码方法来捕获独特的见解，理解特征与最优策略之间的关系，从而使我们的模型能够泛化到以前未见过的数据。实验结果验证了我们方法的鲁棒性，肯定了其在有效学习智能电网挑战策略模型方面的熟练程度。

关键词

智能电网联邦学习信任区域策略优化策略学习能源管理

引用

@article{arxiv.2403.18439,
  title  = {Generalized Policy Learning for Smart Grids: FL TRPO Approach},
  author = {Yunxiang Li and Nicolas Mauricio Cuadrado and Samuel Horváth and Martin Takáč},
  journal= {arXiv preprint arXiv:2403.18439},
  year   = {2024}
}

备注

ICLR 2024 Workshop: Tackling Climate Change with Machine Learning

智能电网的广义策略学习: FL TRPO 方法

摘要

关键词

引用

备注

相关论文