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
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
针对建筑碳减排面临的新挑战,利用 MERLIN 框架和执行家庭需求响应的高级控制架构,通过强化学习控制方法,使得独立 RL-控制器为电池提供灵活性参与电网需求响应,提高建筑和电网的关键绩效指标并降低培训成本。
Dec, 2022
本文提出了一种名为ReLBOT的新技术,使用深度强化学习中的转移学习,从现有的优化智能建筑中转移知识以降低新委托的建筑中强化学习代理的热身期的不良影响,最大程度地优化了能源消耗效果。
Apr, 2023
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
通过观测室内数据,我们展示了一种实施简便且易于扩展的强化学习方法,该方法在一个真实世界的场景中验证了基于层次控制系统的协调策略的可行性,并展示了满意的电能追踪效果。
通过需求响应控制住宅建筑的供暖系统以优化能源消耗,该论文研究了基于蒙特卡洛树搜索和物理信息神经网络的建筑需求响应控制,以提高控制性能并降低能耗成本。同时,通过添加深度学习层优化了蒙特卡洛树搜索方法的计算成本。
Dec, 2023
在建筑控制领域,本研究提出了一种新颖的UED算法ActivePLR,通过使用具有不确定性感知的神经网络结构,在RL代理的能力极限处生成新的训练环境,并能够优先考虑在基准环境中的性能,表明ActivePLR能够在最小化能源消耗的同时最大化居住者舒适度方面优于最先进的UED算法。
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
本研究针对建筑物HVAC系统中离线强化学习的实施可行性和有效性进行了深入评估,填补了当前文献在这一领域的空白。通过对现有离线强化学习算法的优缺点进行系统分析,发现适当的历史数据建模能够显著降低温度违例率和节省能耗,最多可减少28.5%的违例率和12.1%的能耗。该研究为HVAC系统的现实应用提供了新的见解。
Aug, 2024