基于深度强化学习的室温与电动汽车双向充电数据驱动控制：仿真与实验
机器学习
2021-11-11 v2 系统与控制
系统与控制
摘要
本工作提出一种完全数据驱动的黑盒流程，基于历史建筑与气象数据获取多回路建筑控制问题的最优控制策略，因此无需复杂的基于物理的建模。我们针对室温与电动汽车双向充电的联合控制演示该方法，以最大化居住者热舒适与节能，同时为下次出行在 EV 电池中保留足够能量。我们使用循环神经网络对室温建模，并使用分段线性函数对 EV 充电建模。将这些模型作为仿真环境，我们应用深度强化学习（DRL）算法获取最优控制策略。所学策略在供暖季平均比标准 RB 室温控制器实现 17% 的节能与 19% 更好的舒适满意度。当额外连接双向 EV 并采用两费率电价时，MIMO DRL 策略成功利用电池，相比两个标准 RB 控制器（一个控制室温，另一个控制双向 EV 充放电）降低了总体电力成本。最后，我们展示了所学 DRL 策略从仿真到真实建筑——瑞士 Empa Duebendorf 的 DFAB HOUSE——的成功迁移，在供暖季三周内相比常规 RB 室温控制器维持相似舒适水平的同时实现高达 30% 的节能。
引用
@article{arxiv.2103.01886,
title = {Data-driven control of room temperature and bidirectional EV charging using deep reinforcement learning: simulations and experiments},
author = {B. Svetozarevic and C. Baumann and S. Muntwiler and L. Di Natale and M. Zeilinger and P. Heer},
journal= {arXiv preprint arXiv:2103.01886},
year = {2021}
}
备注
20 pages, 17 figures, 3 tables