深度强化学习在智能建筑能源管理中的综述
系统与控制
2021-09-23 v3 系统与控制
信号处理
摘要
全球建筑约占总能耗和碳排放的 30%，引发了严重的能源与环境担忧。因此，发展新型智能建筑能源管理（SBEM）技术以推进节能与绿色建筑至关重要且紧迫。然而，由于以下挑战，这是一项艰巨任务。首先，通常难以建立既准确又高效、足以用于建筑控制的显式建筑热动力学模型。其次，存在许多不确定的系统参数（如可再生能源发电输出、室外温度和居住人数）。第三，存在许多空间与时间耦合的运行约束。第四，当建筑能源优化问题具有极大解空间时，传统方法无法实时求解。第五，传统建筑能源管理方法各有适用前提，意味着在面对变化的建筑环境时通用性低。随着物联网技术与计算能力的快速发展，人工智能技术在控制与优化中展现出显著能力。作为一种通用人工智能技术，深度强化学习（DRL）有望应对上述挑战。值得注意的是，近年来 DRL 用于 SBEM 的研究激增。然而，缺乏对不同 DRL 方法用于 SBEM 的系统性概述。为填补空白，本文从系统规模角度对 SBEM 的 DRL 进行了全面综述。特别地，我们指出了现有未解决问题并指明了可能的未来研究方向。
引用
@article{arxiv.2008.05074,
title = {A Review of Deep Reinforcement Learning for Smart Building Energy Management},
author = {Liang Yu and Shuqi Qin and Meng Zhang and Chao Shen and Tao Jiang and Xiaohong Guan},
journal= {arXiv preprint arXiv:2008.05074},
year = {2021}
}
备注
21 pages, 12 figures