一种用于最小化智能建筑能源优化中强化学习风险的迁移学习方法
机器学习
2023-08-03 v2 人工智能
系统与控制
系统与控制
摘要
利用人工智能算法进行能源优化已被证明是有效的。然而，当建筑投入使用（commissioned）时，没有可用于训练这些算法的历史数据。在线强化学习（RL）算法已显示出重大前景，但其部署带有显著风险，因为RL智能体在初始探索其动作空间时可能会给建筑住户带来显著的不适。在本文中，我们提出ReLBOT——一种将迁移学习与深度RL结合使用的新技术，将知识从已有的、经过优化且配备传感器的建筑转移到新投入使用的智能建筑，以减轻强化学习智能体预热期的不利影响。我们展示了在强化学习智能体预热期的持续时间上最高达6.2倍的改善，以及在预测方差上最高达132倍的改善。
引用
@article{arxiv.2305.00365,
title = {A Transfer Learning Approach to Minimize Reinforcement Learning Risks in Energy Optimization for Smart Buildings},
author = {Mikhail Genkin and J. J. McArthur},
journal= {arXiv preprint arXiv:2305.00365},
year = {2023}
}
备注
31 pages, 9 figures, submitted to the journal Energy and Buildings