Apr, 2019

基于监督学习的 HVAC 系统最优需求响应策略

PDF
TL;DR该研究提出了一种基于监督学习的新策略，利用神经网络和分段线性方程来优化多区域建筑物中 HVAC 系统的需求响应，结果显示该策略在实用性和计算时间方面都非常有效，同时确保了建筑物居民的热舒适性和 HVAC 系统的成本效益。
demand responsehvac systemssupervised learningneural networksmulti-zone buildings
发现论文，激发创造
  • 一对多：建筑暖通空调控制的迁移学习

    该研究提出了一种基于深度强化学习和迁移学习的建筑暖通空调系统控制方法，通过将神经网络控制器拆分为一个可以迁移的前端网络和一个针对每个特定建筑物的可高效训练的后端网络，显著减少训练时间、节约能源成本和改善温度控制精度。

    Aug, 2020

  • 利用神经网络模型逼近的强化学习建筑暖通空调调度

    建立建筑 HVAC 系统的深度学习模型对建筑物的能耗消耗进行有效控制，采用基于模型和基于概率的控制方法来实现系统的优化和能耗降低，同时确保系统的安全和效率。

    Oct, 2019

  • 分布式基于 ADMM 的深度学习方法用于多区域建筑热控制

    通过使用 ADMM 和深度学习模型进行分布式优化，本研究通过采用两层分层结构的方法，将建筑物的总功率限制为对应的各个区域的局部功率目标，从而有效地规划室内温度设定点，并成功管理需求响应的高峰事件。

    Dec, 2023

  • 深度强化学习算法在 HVAC 控制中的实验评估

    本研究基于 Sinergym 框架对多种先进 DRL 算法在 HVAC 控制中进行了关于舒适度和能源消耗方面的可重复评估，结果表明 SAC 和 TD3 等 DRL 算法在复杂场景下具有潜力，并揭示了与泛化和增量学习有关的若干挑战。

    Jan, 2024

  • 考虑居民舒适性和隐私的需求响应计划成本优化

    该研究提出了一种多目标仿真模型和不侵入式的基于占用状态预测的方法，以开发一种适用于智能住宅的 DRP 应用程序，其中同时考虑了不确定性和鲁棒性，并通过将一些电器操作移至低峰时段，降低了成本 13.2％，并降低空调温度设定点。

    May, 2023

  • 多可变风量开放式办公室 HVAC 系统的能源优化：深度强化学习方法

    本文提出了一种基于 DRL 模型的、用于 HVAC 能源优化的低复杂度多输入多输出结构，并通过比较现有 HVAC 安排的基准系统和该模型在实际建筑中的总能耗和热舒适水平的广泛分析来评估其有效性。

    Jun, 2023

  • 提升建筑温度预测：一种基于数据驱动的系统场景聚类方法

    给出了一种基于 k-means 聚类方法的数据驱动室温预测模型，通过历史数据分析提取系统运行特征并简化系统级模型，提高了泛化能力和计算效率，实验证明该方法能显著减少建模时间而不降低预测准确性。

    Feb, 2024

  • 基于数据驱动的暖通空调控制 —— 符号回归的设计和实现

    该研究提出了一种数据驱动的暖通空调控制的设计和实现方法，使用符号回归模型和数据驱动方法对建筑热力学进行建模，并采用模型预测控制调度方案以最小化能源消耗和峰值功率需求，实现节能和舒适。

    Apr, 2023

  • 商业建筑需求响应的高效数据驱动型 MPC

    基于模型预测控制 (MPC) 的能源管理方法，通过数据驱动的途径和混合整数凸优化算法，实现对建筑物的热力学建模和需求响应，从而提高热舒适度、降低能耗和成本。

    Jan, 2024

  • 利用设备基于强化学习的最优需求响应

    本文提出了一种新型的供需响应问题的全自动能源管理系统的调度问题的强化学习方法，并以 Q 学习算法为例，通过对代表性例子的模拟结果进行了演示。

    Jan, 2014