结合主动学习增强个性化热舒适模型以改进暖通空调控制
机器学习
2023-09-19 v1
摘要
开发个性化热舒适模型以为建筑中以居住者为中心的控制(OCC)提供信息，需要收集大量实时居住者偏好数据。该过程在大规模实施中极具侵入性且劳动密集，限制了现实世界OCC实施的实用性。为解决此问题，本研究提出一种基于热偏好的暖通空调(HVAC)控制框架，并引入主动学习(Active Learning, AL)以增强，从而应对此类OCC系统实际部署中的数据挑战。所提AL方法主动识别最具信息量的热环境供人工标注，并迭代更新有监督热舒适模型。所得模型随后用于预测居住者在不同热环境下的热偏好，并被整合进建筑HVAC控制中。我们提出的AL赋能OCC的可行性在真实测试平台的EnergyPlus仿真中得以验证，该仿真补充了58名受试居住者的热偏好数据。初步结果表明，我们的AL赋能OCC与传统OCC相比标注工作量显著降低(即31.0%)，同时仍实现节能轻微提升(即1.3%)且热满意度高于98%。该结果展示了未来实际部署此类系统的潜力，可实现个性化舒适与节能建筑运行。
引用
@article{arxiv.2309.09073,
title = {Enhancing personalised thermal comfort models with Active Learning for improved HVAC controls},
author = {Zeynep Duygu Tekler and Yue Lei and Xilei Dai and Adrian Chong},
journal= {arXiv preprint arXiv:2309.09073},
year = {2023}
}
备注
CISBAT2023