住宅 HVAC 系统中强化学习与模型预测控制的现场部署比较
系统与控制
2025-10-03 v1 机器学习
系统与控制
摘要
模型预测控制（MPC）等先进控制策略为 HVAC 系统提供了显著的能源节省，但往往需要大量的工程工作，限制了其可扩展性。强化学习（RL）有望实现更大的自动化和适应性，但其在实际住宅环境中的实际应用仍存大量未展示，面临安全、可解释性和样本效率等挑战。为调查这些实际问题，我们对比评估了一种 MPC 与一种基于模型的 RL 控制器，将每个控制器分别部署在西拉福兰沃特的住宅热泵系统中一个月。该调查旨在探讨所选 RL 和 MPC 实现的可扩展性，同时确保安全性和可比性。对比了先进控制器与现有控制器的性能后，RL 实现了显著的能源节省（相对于现有控制器为 22%），略微超过 MPC 的节省（20%），但舒适度略有下降。然而，当能源节省按提供的舒适度水平进行归一化后，MPC 显示出更佳的性能。该研究的实证结果表明，尽管 RL 减少了工程开销，但它在模型准确性和操作鲁棒性方面引入了实际权衡。我们提炼出的关键经验涉及安全控制初始化的困难、控制动作与实际实施之间的不匹配，以及在活跃环境中维持在线学习完整性的挑战。这些见解指向了将 RL 从有前景的概念推进为 truly 可扩展的 HVAC 控制解决方案所需的关键研究方向。
引用
@article{arxiv.2510.01475,
title = {Comparative Field Deployment of Reinforcement Learning and Model Predictive Control for Residential HVAC},
author = {Ozan Baris Mulayim and Elias N. Pergantis and Levi D. Reyes Premer and Bingqing Chen and Guannan Qu and Kevin J. Kircher and Mario Bergés},
journal= {arXiv preprint arXiv:2510.01475},
year = {2025}
}
备注
27 pages, 11 figures, 4 tables. Under review for Applied Energy