机构名称：
¥ 1.0
摘要，由于房屋中智能设备的数量越来越多，物联网（IoT）的兴起（IoT）增加了备用能源消耗。现有方法使用实时能源数据和机器学习来识别和最大程度地减少住宅能源管理的备用能量，但由于边缘设备数据有限，依靠基于云的数据聚合和协作培训。但是，这种方法会产生额外的云服务成本，风险个人数据泄漏，并且无法捕获居住的多样性，从而导致了次优的能源管理绩效。在本文中，我们建议使用个性化的联邦深入强化学习（PFDRL）来减少家庭待机能源的构成。PFDRL由三个组成部分组成：首先，我们开发了一个分散的联合学习（DFL）框架，而不是使用集中式云服务来汇总模型以将数据和模型都保留在当地区域。sec-ond，我们将DFL与深度加固学习（DRL）一起使用，以在当地住宅中分享EMS计划进行合作培训。第三，我们将DRL中的神经网络分为两个部分，基础层和个性化层，以增强模型收敛性，同时最大程度地提高系统中每个客户端的EMS。我们评估了现实世界山核桃街数据集[3]上提出的PFDRL框架，与集中式设置和常规解决方案相比，表现出色。
pfdrl：用于住宅能源管理的个性化联邦深入强化学习
主要关键词
相关文件推荐
