ReLBOT:一种在智能建筑中最小化强化学习风险的迁移学习方法
本研究首次探讨使用深度强化学习在智能电网环境下实现建筑能源管理系统的在线调度优化,所提出的方法被验证可用于大规模数据资源中,如Pecan Street Inc.数据库,并且可以提供实时反馈以鼓励电能的更高效利用。
Jul, 2017
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
调查了深度强化学习中迁移学习方法的最新进展,提供了对目标,方法,兼容强化学习骨架以及实际应用等方面分析的框架,并从强化学习的角度探讨了迁移学习与其他相关话题之间的联系和潜在挑战。
Sep, 2020
本研究表明,多智能体强化学习可用于通过智能逆变器和智能建筑能源管理系统控制建筑内资源,实现电网水平目标,并保护建筑物业主的隐私和舒适度。作为案例研究,我们考虑使用可控建筑负载、储能和智能逆变器在IEEE-33总线网络上进行电压调节。结果表明,强化学习代理通常通过34%降低欠电压和过电压的发生率。
Oct, 2021
使用零样本建筑控制并结合强化学习和系统辨识的方法,我们提出了一个名为PEARL (Probabilistic Emission-Abating Reinforcement Learning) 的模型来优化建筑能源效率和减少建筑废气排放。在三个不同的建筑能量模拟中的实验中,PEARL 模型表现优异,使排放量减少31%,同时保持舒适的热量。
Jun, 2022
本文介绍了DeepMind与谷歌最近关于强化学习在商业制冷系统控制方面的最新工作的技术概述。通过在谷歌数据中心更加高效地冷却的专业知识为基础,在与楼宇管理系统供应商特兰科技的合作中,在两个真实世界的设施上进行了实时实验,希望我们描述这些挑战并针对这些挑战调整我们的强化学习系统,使得在两个实验场所分别节能约9%和13%。
Nov, 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
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。
Oct, 2023
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