基于输入凸长短期记忆网络的实时机器学习优化
机器学习
2024-09-24 v6 计算工程、金融与科学
系统与控制
系统与控制
摘要
基于神经网络的优化与控制方法（常被称为黑盒方法）在能源与制造系统中日益受到关注，尤其在机理模型不可用或不准确的情形下。然而，其非凸性质显著拖慢了优化与控制过程，限制了其在实时决策中的应用。为应对该挑战，我们提出一种新颖的输入凸长短期记忆（IC-LSTM）网络，以提升基于神经网络的优化的计算效率。通过两个采用实时神经网络优化来优化能源与化学系统的案例研究，我们展示了 IC-LSTM 优化在运行时间上的优越性能。具体而言，在新加坡 LHT Holdings 真实世界太阳能光伏能源系统的实时优化问题中，IC-LSTM 优化相比传统 LSTM 优化实现了至少 4 倍加速。这些结果凸显了 IC-LSTM 网络在实际应用中显著提升基于神经网络的优化与控制效率的潜力。源代码见 https://github.com/killingbear999/ICLSTM。
引用
@article{arxiv.2311.07202,
title = {Real-Time Machine-Learning-Based Optimization Using Input Convex Long Short-Term Memory Network},
author = {Zihao Wang and Donghan Yu and Zhe Wu},
journal= {arXiv preprint arXiv:2311.07202},
year = {2024}
}
备注
Applied Energy