使用联邦学习训练自主 HVAC 系统

May, 2024

Employing Federated Learning for Training Autonomous HVAC Systems

Fredrik Hagström, Vikas Garg, Fabricio Oliveira

TL;DR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。

Abstract

buildings account for 40 % of global energy consumption. A considerable portion of building energy consumption stems from heating, ventila

buildings energy consumption hvac systems reinforcement learning algorithms federated learning approach

发现论文，激发创造

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

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

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

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

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

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

面向 HVAC 控制的松弛感知可扩展强化学习

本文提出利用宽松度概念量化 HVAC（暖通空调）操作需求的紧急程度，采用基于强化学习的控制器调度总能量，在各种气候和电力市场条件下评估大规模 HVAC 系统的温度控制和节能成果，并实验结果表明该方法在大多数测试场景中胜过集中式方法，并在一些场景中与基于模型的方法表现相当。

Jun, 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

能效建筑中基于 HVAC 系统的分散温度控制

本文设计了分散、分布式的实时控制方案，旨在平衡用户舒适度和节能，并在不测量或预测外部干扰的情况下实现。通过调整区域流量，我们提出一个热动力学建模和稳态资源分配问题的优化方法，可以最小化区域温度和建筑能耗之间的总偏差，同时考虑实际操作限制。根据该问题的非凸性质，我们提出两种方法来解决它并设计实时控制。在两种情况下，都可以将热动力学驱动到最优解并平衡节能和舒适度。

Feb, 2017

一个家庭群集的强化学习能源协调在真实世界中的实施

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