用于训练自主HVAC系统的联邦学习
最优化与控制
2025-05-05 v2 机器学习
系统与控制
系统与控制
摘要
建筑物占全球能源消耗的40%。建筑能源消耗的相当部分来自供暖、通风和空调(HVAC)，因此实施智能、高效的HVAC系统有潜力在气候变化进程中产生重大影响。近年来，基于模型的强化学习算法因其能够纯凭经验学习和适应的能力而被越来越多地用于此目的。它们在能源成本和消耗以及热舒适度方面均显示出优于经典控制器的性能。然而，其弱点在于数据效率相对较差，需要较长时间才能达到可接受的策略，从而使其直接不可用于实际控制器。在本文中，我们演示了使用联邦学习来训练HVAC系统的强化学习控制器可以提高学习速度，同时提高其泛化能力，这反过来促进了对未见建筑环境的迁移学习。在我们的设置中，通过聚合位于不同气候区的多个数据中心上训练的本地策略来学习全局控制策略。该策略的目标是最小化能源消耗并最大化热舒适度。我们进行了实验，评估了三个不同的本地策略训练优化器以及三个不同的联邦学习算法与两个备选基线。我们的实验表明，这些效果导致更快的学习速度以及与任何单独训练的策略相比更好的泛化能力。此外，学习稳定性显著提高，联邦策略的学习过程和性能对参数选择和强化学习固有的随机性都更不敏感。
引用
@article{arxiv.2405.00389,
title = {Employing Federated Learning for Training Autonomous HVAC Systems},
author = {Fredrik Hagström and Vikas Garg and Fabricio Oliveira},
journal= {arXiv preprint arXiv:2405.00389},
year = {2025}
}