BuildingGym：面向基于强化学习的建筑能源管理的开源工具箱
人工智能
2025-09-16 v1
摘要
强化学习 (RL) 在建筑能源管理方面已被证明有效。然而，缺乏灵活的框架来在建筑能源管理中实现各种控制问题的 RL。为此，我们提出 BuildingGym，一个旨在作为面向研究者且灵活的框架，用于训练建筑能源管理中常见挑战的 RL 控制策略的开源工具。BuildingGym 将 EnergyPlus 集成为核心模拟器，适用于系统级和房间级控制。此外，BuildingGym 能够接受外部信号作为控制输入，而不将建筑视为独立实体。此功能使 BuildingGym 适用于更灵活的环境，例如智能电网和电动汽车社区。该工具提供了用于控制策略训练的多个内置 RL 算法，简化了建筑管理人员获取最优控制策略的过程。用户只需按照几个简单的步骤配置 BuildingGym，以针对建筑能源管理领域的常见问题进行优化控制。此外，AI 专家可以在该平台上轻松实现和测试最新的控制算法。BuildingGym 通过允许轻松配置和替换 RL 算法、模拟器和控制环境或问题，弥合了建筑管理人员和 AI 专家之间的鸿沟。
关键词
引用
@article{arxiv.2509.11922,
title = {BuildingGym: An open-source toolbox for AI-based building energy management using reinforcement learning},
author = {Xilei Dai and Ruotian Chen and Songze Guan and Wen-Tai Li and Chau Yuen},
journal= {arXiv preprint arXiv:2509.11922},
year = {2025}
}