Aug, 2024

建筑物HVAC控制的离线强化学习实验评估

HTML
PDF
TL;DR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。
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

  • 零-shot强化学习在低排放建筑控制中的应用

    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

  • 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

  • MERLIN：基于智能电表和CityLearn的，面向居民的交互式电网社区的多智能体离线和迁移学习的能源灵活运营

    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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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