面向通信与电网管理的鲁棒、深度及强化学习

本论文开发数据驱动的机器学习算法，用于管理与优化下一代高度复杂的信息物理系统，其迫切需要有能够保证鲁棒性、可扩展性与态势感知的突破性控制、监测与决策方案。本论文首先提出原则性方法，使通用机器学习模型对分布不确定性与对抗数据具有鲁棒性。特别关注参数化模型，其中部分训练数据用于学习参数化模型。所开发框架在训练与测试数据来自“略微”不同分布时尤为令人关注。随后，我们引入分布鲁棒学习框架，以在通过 Wasserstein 距离量化的给定模糊训练分布集上最小化最坏情况期望损失。接着，我们基于该鲁棒框架设计基于图的鲁棒半监督学习方法。论文第二部分致力于充分释放下一代有线与无线网络的潜力，我们利用（深度）强化学习方法设计“智能”网络实体。最后，本论文增强了电力系统的运行与控制。我们的贡献在于具有高比例可再生能源与需求响应项目的可持续配电网络。为应对未预见且快速变化的可再生发电与负荷消耗场景，我们特别将无功补偿委托给公用设施拥有的控制设备（如电容器组）以及具备信息能力的分布式发电单元的智能逆变器。