多 VAV 开放式办公室 HVAC 系统的能量优化：一种深度强化学习方法
系统与控制
2023-11-16 v2 人工智能
系统与控制
摘要
全球超过 32% 的能源由商业和住宅建筑消耗，迫切需要从传统方法重新审视建筑能源管理（BEM）。由于 HVAC 系统约占商业部门总能源成本的 40%，我们提出了一种基于低复杂度 DRL 的多输入多输出架构模型，用于开放式办公室的 HVAC 能量优化，其仅使用少数可控且可获取的因素。我们通过与实际建筑中基于现有 HVAC schedule 的基线系统相比，对总体能耗和热舒适度水平进行广泛分析来评估我们解决方案的有效性。该比较显示，我们的方法实现了 37% 的能耗节省，且工作时间内所需温度范围的违反最小（<1%）。其低复杂度架构仅需总共 40 分钟完成 5 个 epoch（约每 epoch 7.75 分钟）的训练便获得覆盖多样条件的优越性能网络；因此，它易于适应建筑设置、天气条件、占用率等的变化。此外，通过对控制策略强制平滑性，我们抑制了 HVAC 单元频繁且不舒适的开/关切换，以避免居住者不适及系统潜在损坏。我们模型的泛化性通过将应用于不同建筑模型及多种天气条件得到验证。
引用
@article{arxiv.2306.13333,
title = {Energy Optimization for HVAC Systems in Multi-VAV Open Offices: A Deep Reinforcement Learning Approach},
author = {Hao Wang and Xiwen Chen and Natan Vital and Edward. Duffy and Abolfazl Razi},
journal= {arXiv preprint arXiv:2306.13333},
year = {2023}
}