基于共享表示的元强化学习在能源系统中实现快速适应

元强化学习通过实现快速策略适应和改进泛化，解决了常规强化学习在多任务和非平稳环境中的关键局限性。我们引入了一个新型的元强化学习框架，将双层优化方案与专为提高样本效率和跨任务适应性而设计的混合演员-评论家架构相结合。为提高知识传递，我们元学习一个共享状态特征提取器，联合优化演员和评论家网络，提供高效的特征学习，并限制对单个任务或主导轮廓的过拟合。此外，我们提出了一种在外层和内层演员网络之间进行参数共享的机制，以减少冗余学习并加速任务重访时的适应。该方法在覆盖近十年时间和结构变异性的真实建筑能源管理系统数据集上进行验证，我们提出了一种任务准备方法以促进泛化。实验表明，该方法在任务适应和性能方面优于常规强化学习和元强化学习方法。