Πλοήγηση ανά Συγγραφέα "Diamantopoulos-Pantaleon, Odyssefs"
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Τώρα δείχνει 1 - 1 από 1
- Αποτελέσματα ανά σελίδα
- Επιλογές ταξινόμησης
Τεκμήριο Residential energy consumption optimization through reinforcement learning(2023-12-01) Διαμαντόπουλος-Πανταλέων, Οδυσσεύς; Diamantopoulos-Pantaleon, Odyssefs; Athens University of Economics and Business, Department of Informatics; Koutsopoulos, Iordanis; Siris, Vasileios; Polyzos, GeorgeΠροτείνουμε έναν νέο Residential Energy Managers (REMs) που προτείνει στον χρήστη ενέργειες για ολόκληρο το νοικοκυριό. Για να είμαστε πιο ακριβείς, ο REM βλέπει την κατάσταση κάθε ηλεκτρικής συσκευής εντός της κατοικίας μαζί με πολλά συγκεκριμένα χαρακτηριστικά για κάθε μία από τις συσκευές, όπως το ενεργειακό κόστος και η διάρκεια λειτουργίας της, και στη συνέχεια κάνει μια πρόταση με βάση την τρέχουσα τιμή της ηλεκτρικής ενέργειας και τις συνήθειες του χρήστη για όλες τις συσκευές. Για τη δημιουργία του REM χρησιμοποιούμε το Reinforcement learning (RL), το οποίο επιδιώκει να μεγιστοποιήσει την έννοια της σωρευτικής ανταμοιβής και να εξηγήσει τον τρόπο με τον οποίο οι ευφυείς πράκτορες οφείλουν να εκτελούν ενέργειες σε ένα περιβάλλον. Το RL είναι ιδιαίτερα χρήσιμο όταν εφαρμόζεται σε πολύπλοκα και δυναμικά περιβάλλοντα, όπως τα νοικοκυριά, λόγω των διαφόρων τύπων και αριθμών συσκευών που συναντώνται. Επιπλέον, κάθε κάτοικος έχει μοναδική προσωπικότητα και συνήθειες συμπεριφοράς, γεγονός που αυξάνει περαιτέρω την πολυπλοκότητα. Επίσης, προτείνουμε και διαθέτουμε ελεύθερο κώδικα, σε αντίθεση με άλλους στη βιβλιογραφία, ένα γενικευμένο περιβάλλον που χρησιμοποιεί το RL και διατηρεί βασικές παραμέτρους που μπορούν να εφαρμοστούν σχεδόν σε όλα τα σενάρια πραγματικών περιπτώσεων, το οποίο μπορεί να λειτουργήσει ως βάση πάνω στην οποία οι μελλοντικοί ερευνητές μπορούν να δημιουργήσουν τα δικά τους σενάρια. Επιπλέον, πειραματιζόμαστε με πολλούς αλγορίθμους τελευταίας τεχνολογίας όπως ο A2C, ο PPO και ο MARWIL σε τέσσερα διαφορετικά νοικοκυριά με διαφορετική πολυπλοκότητα, που δημιουργήθηκαν με βάση την προσέγγισή μας. Μέσω των εκτεταμένων πειραμάτων μας με διάφορα διαστήματα λήψης αποφάσεων, μήκη επεισοδίων και διαφορετικούς αλγορίθμους RL, καταλήγουμε στο συμπέρασμα ότι ο πράκτορας MARWIL RL παρουσιάζει υποσχόμενες επιδόσεις στο πιο πολύπλοκο νοικοκυριό, μετατοπίζει με επιτυχία την κατανάλωση ενέργειας όταν χρειάζεται, κατανοεί πώς να χρησιμοποιεί διαφορετικούς τύπους συσκευών και καταφέρνει να προσαρμόζεται στον κάτοικο.