面向零能耗社区的多智能体深度强化学习
机器学习
2019-06-28 v2 人工智能
多智能体系统
机器学习
摘要
可再生能源发电的进步以及政府提高能效目标的提出催生了零能耗建筑（ZEB）的概念。ZEB 是指一年内净能源使用为零的建筑，即其能源使用不大于其总体可再生能源发电量。多个 ZEB 的集合构成零能耗社区（ZEC）。本文解决此类社区中的能源共享问题。这与先前研究的建筑间能源共享不同，因为我们关注社区能源状况的改善，而传统研究聚焦于减少传输与存储损失或获取经济利益。我们在多智能体环境中对这一问题建模，并提出了一种基于深度强化学习（DRL）的解决方案。每栋建筑由一个智能体表示，该智能体随时间学习适当的能源共享行为。我们使用 osBrain 构建的多智能体模拟中评估了所提方案。结果表明，智能体随时间学会协作并学到与最优策略相当的策略，从而改善了 ZEC 的能源状况。无可再生能源的建筑更倾向于向邻居而非供能电网请求能源。
引用
@article{arxiv.1810.03679,
title = {Multi-agent Deep Reinforcement Learning for Zero Energy Communities},
author = {Amit Prasad and Ivana Dusparic},
journal= {arXiv preprint arXiv:1810.03679},
year = {2019}
}
备注
Accepted at ISGT Europe 2019