一种轻量级标定仿真器实现真实建筑最优控制的高效离线学习
人工智能
2023-10-13 v1 计算工程、金融与科学
信号处理
摘要
现代商用供暖、通风与空调(HVAC)设备与建筑及室外气象条件构成了一个复杂且相互关联的热力学系统,当前的设定点控制策略并未针对最小化能耗与碳排放进行充分优化。若有合适的训练环境,强化学习(RL)模型能够改进这些策略,但训练此类模型,尤其是以可扩展至数千栋建筑的方式训练,面临诸多现实挑战。我们提出一种新颖的基于仿真的方法,其中为每栋建筑定制仿真器以训练智能体。我们的开源仿真器(在线可用:https://github.com/google/sbsim)轻量且通过建筑遥测数据标定以达到更高保真度。在一栋两层、68,000平方英尺、含127台设备的建筑上,我们能够将仿真器标定至在六小时区间内与真实世界的偏差仅略超半摄氏度。该方法是迈向可扩展至众多建筑的实际RL控制系统的重要一步,从而实现更高效率并减少能耗与碳排放。
引用
@article{arxiv.2310.08569,
title = {A Lightweight Calibrated Simulation Enabling Efficient Offline Learning for Optimal Control of Real Buildings},
author = {Judah Goldfeder and John Sipple},
journal= {arXiv preprint arXiv:2310.08569},
year = {2023}
}