面向 AHUs 带经济逻辑和二氧化碳约束通风的基于 PPO 的直接控制统一 Python 框架
机器学习
2026-05-26 v1
摘要
HVAC (加热、通风和空调) 的优化可提高建筑的能源效率，同时为占员提供舒适水平。使用常规控制系统来维持 HVAC 功能往往困难，因为建筑包线在随时间经历随机负荷变化时具有非线性特征。本文提出了一种通过使用深度强化学习 (DRL) 算法和实现于自定义 Python 性能环境中的近似策略优化 (PPO) 算法来优化 HVAC 系统的新方法。DRL 系统使用二阶电阻-电容热模型和集成的动态质量平衡 CO2 来复制与建筑相关的复杂物理。本研究的主要创新之一是一种“分层流动逻辑”，该逻辑通过覆盖导致 CO2 超过 1000 ppm 的代理动作来确保室内空气质量 (IAQ) 得到维持。此外，采用基于焓的经济制导器用于从户外环境中创建自由制冷。实验数据显示，与通过 GA 调谐的 PID 控制器或传统的 On-Off 控制相比，PPO 代理在温度稳定性和能源效率方面表现更好。一个端到端的管线为在实际硬件实现的上下文中帮助实现智能建筑能源管理提供了稳健且通用的解决方案。
引用
@article{arxiv.2605.24406,
title = {A Unified Python Framework for Direct PPO-based Control of AHUs with Economizer Logic and CO2-Constrained Ventilation},
author = {Erfan Haghighat Damavandi and Davide Papurello and Mahdi Alibeigi and Armin Keshavarz and Simone Canevarolo and Marco Condo},
journal= {arXiv preprint arXiv:2605.24406},
year = {2026}
}
备注
10 pages, 7 figures