校园冷却系统能源管理的滚动时域强化学习框架——澳大利亚大学案例研究
系统与控制
2025-11-19 v1 系统与控制
摘要
本文提出一个针对澳大利亚某大学校园内大型暖通、通风和空调（HVAC）系统的最优能源管理案例研究，采用强化学习（RL）。该HVAC系统为九座大学建筑供能，年均电耗约为2 GWh。确定更新的冷却机组性能系数（COP）曲线，利用HVAC系统历史数据开发预测建筑冷却需求模型。基于上述输入，训练基于proximal policy optimization的RL模型，在滚动时域控制框架下进行最优冷却机组调度，采用以约束满足为优先奖励的奖励函数。与基于被动规则方法的传统控制方式相比，所提控制器仅通过控制冷却机组分流率即可在约束违规最小的前提下实现最高28%的电能消耗节省。
引用
@article{arxiv.2511.14160,
title = {A Receding Horizon Reinforcement Learning Framework for Campus Chiller Energy Management - A case study from an Australian University},
author = {Laura Musgrave and Arnab Bhattacharjee and Tapan Kumar Saha},
journal= {arXiv preprint arXiv:2511.14160},
year = {2025}
}
备注
5 pages