一对多：建筑暖通空调控制的迁移学习

Aug, 2020

一对多：建筑暖通空调控制的迁移学习

One for Many: Transfer Learning for Building HVAC Control

Shichao Xu, Yixuan Wang, Yanzhi Wang, Zheng O'Neill, Qi Zhu

TL;DR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。

Abstract

The design of building heating, ventilation, and air conditioning (HVAC) system is critically important, as it accounts for around half of building energy consumption and directly affects occupant comfort, productivity, and health. Traditional HVAC control methods are typically based on creating explicit physical models for building thermal dynamics, which o

building hvac system deep reinforcement learning transfer learning neural network controller energy efficiency

发现论文，激发创造

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

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

经典强化学习与深度强化学习方法在暖通空调控制中的比较

强化学习在优化暖通空调系统控制方面具有良好前景，提高系统性能、降低能耗、增强成本效益。我们对比了两种常用的经典强化学习方法（Q - 学习和深度 Q - 网络）在多个暖通空调环境下进行了基准测试，并探讨了模型超参数选择和奖励调节的实际考虑。研究结果揭示了配置暖通空调系统中的强化学习代理的方法，并促进了节能高效的运营。

Aug, 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

使用联邦学习训练自主 HVAC 系统

本文通过聚合在不同气候区域的多个数据中心上训练的本地策略来学习一个全局的强化学习控制器，以最大程度地减少能源消耗并同时最大化热舒适度，实验证明这种联邦策略相比于单独训练的策略具有更快的学习速度和更强的泛化能力。

May, 2024

一种轻量级校准仿真，为优化实际建筑的离线学习提供高效控制

提出了一种基于仿真的方法，使用定制的模拟器为每个建筑物训练智能体，以提高现有加热、通风和空调系统的性能，实现更高效的能源利用和减少碳排放。

Oct, 2023

超越黑盒策略：重新思考可解释和可验证的 HVAC 控制学习代理的设计

利用基于决策树的控制策略，优化了采暖通风空调系统的能源效率，并提供可靠性保证和安全性，与现有模型基的增强学习方法相比，能够节约 68.4% 能源并提高 14.8% 的人体舒适度。

Feb, 2024

基于监督学习的 HVAC 系统最优需求响应策略

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。

Apr, 2019

层次强化学习优化工业暖通空调系统

通过使用分层强化学习技术，该论文对工业冷却系统进行优化，实现了节能的同时，控制了 HVAC 控制环境下冷却机的安全边界。

Sep, 2022

使用数据生成接近最优控制区域温度的深度强化学习策略

通过在基于物理一致的神经网络 (PCNNs) 上评估 DRL 代理，我们证明了 DRL 代理比基于规则的控制器表现更好，并且实现了接近最优的表现，从而提高了建筑行业的能效

Mar, 2022