.png){kind=icon}
返回
Scheduling Methods for Smart Energy Systems Based on Multi-level Optimization and Time-scale Coordination
.png){kind=icon}
PRE
AI
DOI：10.1142/S0218001425510309.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着智能能源系统（包括智能电网、综合能源网络和边缘赋能工业平台）的快速发展，调度与协调的复杂性显著增加。一个关键挑战源于多操作层级与异构时间尺度的共存，这因异步更新和非均匀时间动态而使得联合优化和政策对齐困难。为解决此问题，我们提出了一种基于联邦强化学习的分层调度框架，该框架使分布式智能体能够独立学习局部调度策略，同时定期与中央协调器共享抽象行为表征。该框架整合了多级模式编码器，从局部轨迹中提取时间和结构决策特征，并将这些特征聚合以构建全局行为先验，用于指导局部更新。此设计在增强局部适应性的同时保持全局一致性，并通过避免原始数据交换确保隐私。我们在三个代表性场景中验证了所提方法——多尺度智能电网调度、工业制造调度和边缘能源管理，其中智能体在截然不同的时间和结构约束下运行。实验结果表明，与异步条件下的基线方法相比，我们的方法实现了更快的收敛速度、更好的策略泛化能力和更高的稳定性。此外，可视化分析证实该框架促进了可解释的策略聚类，并在异构系统配置中保持鲁棒性。总体而言，本研究为多层级优化和时间尺度协调下的智能能源系统调度提供了一种有效、可扩展且隐私保护的解决方案。
Keyword:
Smart energy systems
multi-level optimization
time-scale coordination
federated reinforcement learning
hierarchical scheduling
policy generalization
期刊
IF:
1.1
论文数:
215
被引数:
2.0K
机构
暂无机构信息
引用论文
Resource Allocation for Latency-Aware Federated Learning in Industrial Internet of Things面向延迟感知的工业物联网联邦学习资源分配
OAAI
.png){kind=icon}
OAAI分享收藏SCOF: Security-Aware Computation Offloading Using Federated Reinforcement Learning in Industrial Internet of Things With Edge ComputingSCOF: 在具有边缘计算的工业物联网中使用联合强化学习进行安全感知计算卸载
PREAI
分享收藏Decentralized Scheduling for Concurrent Tasks in Mobile Edge Computing via Deep Reinforcement Learning基于深度强化学习的移动边缘计算并发任务分散调度
PREAI
分享收藏Multi-Agent Reinforcement Learning: A Selective Overview of Theories and Algorithms多智能体强化学习: 理论和算法的选择性综述
PREAI
分享收藏分享收藏Adaptive Privacy Budget Allocation in Federated Learning: A Multi-Agent Reinforcement Learning Approach联邦学习中的自适应隐私预算分配：一种多智能体强化学习方法
PREAI
分享收藏
查看更多内容