面向办公需求响应的能源定价离线-在线强化学习：降低能源与数据成本
机器学习
2021-08-21 v1 人工智能
摘要
我们的团队提议在一栋办公建筑中开展全规模能源需求响应实验。尽管这是一项将为社区提供价值的令人振奋的举措，但为强化学习智能体收集训练数据成本高昂且将受限。本工作中，我们考察如何利用离线训练来最小化数据成本（加速收敛）与程序实施成本。我们提出两种实现途径：用模拟任务预训练模型以热启动实验，以及使用经训练以模拟真实世界对智能体奖励的规划模型。我们给出的结果证明了离线强化学习在能源需求响应问题中高效定价方面的效用。
引用
@article{arxiv.2108.06594,
title = {Offline-Online Reinforcement Learning for Energy Pricing in Office Demand Response: Lowering Energy and Data Costs},
author = {Doseok Jang and Lucas Spangher and Manan Khattar and Utkarsha Agwan and Selvaprabuh Nadarajah and Costas Spanos},
journal= {arXiv preprint arXiv:2108.06594},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2104.14670