.png){kind=icon}
返回
Enhancing reinforcement learning controllers with GAN-generated data and transfer learning
.png){kind=icon}
PRE
AI
DOI：10.1080/18824889.2025.2527471.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究通过整合生成对抗网络（GAN）生成的合成数据与迁移学习（TL），解决了在训练电力系统经济调度问题（EDP）的强化学习（RL）控制器时所面临的数据稀缺挑战。传统的电力系统数据收集可能面临隐私顾虑等限制，阻碍了基于深度神经网络的控制器的性能。为克服这一问题，提出了一种基于GAN的框架来生成合成负荷需求数据，同时保留真实数据集的特征。随后采用迁移学习技术，将在一个合成环境中预训练的孪生延迟深度确定性策略梯度（TD3）智能体微调至包含真实数据的实际环境。实验评估了三种GAN生成的数据集，包括模态崩溃（mode collapse）场景，并将结果与基于回归的数据生成方法进行比较。关键发现表明，即使是低质量的合成数据，在结合迁移学习后也能显著提升强化学习性能。例如，一个发生模态崩溃的GAN模型相较于基线TD3智能体，测试运行成本降低了54.7%，功率不平衡量减少了89.9%。本研究凸显了在数据稀缺的电力系统应用中，合成数据增强和迁移学习的潜力，为在不额外收集真实世界数据的情况下提升控制器性能提供了可行路径。
Keyword:
Economic dispatch
GAN
transfer learning
reinforcement learning
twin delayed DDPG
期刊
S
IF:
0.5
论文数:
46
被引数:
0
机构
引用论文
Enhancing Reinforcement Learning-Based Energy Management Through Transfer Learning With Load and PV Forecasting.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏Fine-Tuning Large Language Models for Specialized Use CasesAnisuzzaman, D.M.; Malins, J.G.; Friedman, P.A.; Attia, Z.I. 对大型语言模型进行微调以适应专业应用场景。Mayo Clin. Proc. Digit. Health 2025, 3, 100184. [Google Scholar] [CrossRef] [PubMed]
PREAI
分享收藏分享收藏
分享收藏
查看更多内容