HVAC系统控制的持续强化学习：集成超网络与迁移学习
机器学习
2025-03-26 v1 人工智能
系统与控制
系统与控制
摘要
拥有供暖、通风和空调（HVAC）系统的建筑在确保室内舒适性和效率方面发挥着关键作用。虽然传统上由基于物理的模型控制，但大数据的出现使数据驱动方法如深度强化学习（DRL）成为可能。然而，强化学习（RL）方法常因样本效率低和在异构HVAC系统间的泛化能力有限而面临挑战。我们引入一种基于模型的强化学习框架，使用超网络持续学习不同动作空间下的环境动力学。这实现了高效的合成滚动生成和 improved 样本利用。我们的方法在持续学习setting中表现出强大的向后迁移，在第二个任务上训练后，对第一个任务的最低fine-tuning即可在仅5个episode内实现快速收敛，从而优于基于模型的强化学习（MFRL）并有效缓解了灾难性遗忘。这些发现对减少建筑管理中的能源消耗和运营成本具有重大意义，从而支持全球可持续发展目标。
引用
@article{arxiv.2503.19212,
title = {Continual Reinforcement Learning for HVAC Systems Control: Integrating Hypernetworks and Transfer Learning},
author = {Gautham Udayakumar Bekal and Ahmed Ghareeb and Ashish Pujari},
journal= {arXiv preprint arXiv:2503.19212},
year = {2025}
}