Data-Efficient MADDPG Based on Self-Attention for IoT Energy Management Systems
Notice bibliographique
Résumé
In this study, the simulated real-world Demand Response (DR) potential is controlled and optimized when household load characteristics are analyzed based on historical data information. To determine the optimal DR potential in smart homes integrated with IoT energy management systems, a multi-agent reinforcement learning framework can be one of the best solutions to handle various household appliances’ control activities associated with stochastic nature. However, the main problem with multi-agent systems is a nonstationary environment that is arisen by the agents. Consequently, this can cause more system uncertainties. Hence, it requires an excessive number of interactions with the environment for training which leads to a data inefficient reinforcement learning model. Thus, we propose a new approach using a Multi-Agent Deep Deterministic Policy Gradient based on Bi-directional Long Short Term Memory and Attention Mechanism (BiLSTMA-MADDPG) to extract more useful information. Therefore, we developed an improved MADDPG model that exploits the BiLSTM layer to store a history of experience in the MADDPG’s replay buffer, and the Attention Mechanism to reduce the model dependency upon the number of samples since it can extract the most valuable data and ignore the less important ones. In this way, BiLSTMA-MADDPG can perform better than the conventional MADDPG even with the small sample environment to motivate the exploration of a more robust and data-efficient regime. Therefore, the attention mechanism enables MADDPG to be more effective and scalable in learning in complex real-world multi-agent environments. Simulation results are obtained for a household environment with three cooperated agents to control the following devices, washing machine, air conditioner, and electric vehicle. The model performance is validated, showing an improvement to the data efficiency and convergence speed, and a promise for a real-life application in terms of appliance energy consumption.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».