PulseAugur
中
实时 04:46:04
English(EN) Constraint-Aware Aggregation for Federated Reinforcement Learning in Microgrid Energy Coordination

联邦强化学习增强微电网安全性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种用于联邦强化学习中约束感知聚合的新方法，专门用于微电网能源协调。该方法通过在服务器端更新中纳入约束违反估计来提高安全性，这与FedAvg等标准方法不同。提出的基于惩罚的规则在奖励和安全性之间提供了可靠的权衡，而无需复杂的修改。在基准环境和真实数据集上的评估表明，与FedAvg相比，约束违反得到了显著减少，同时奖励保持不变或有所提高。 AI

影响 提高了能源协调分布式人工智能系统的安全性和可靠性。

排序理由 详细介绍联邦强化学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

联邦强化学习增强微电网安全性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Karl Mason ·

    面向微电网能源协调的联邦强化学习的约束感知聚合

    Federated Reinforcement Learning (FedRL) enables coordination of distributed energy resources without sharing raw local data, but standard aggregation methods such as FedAvg do not account for system-level constraints, often leading to unsafe global behavior. In this work, we stu…

相关实体

相关话题