探索深度强化学习在整体式智能建筑控制中的应用
机器学习
2023-01-30 v1 系统与控制
系统与控制
摘要
本文中,我们采用整体式方法处理商业建筑中能源使用与舒适度之间的权衡。我们开发了一个名为OCTOPUS的系统,其采用一种新颖的深度强化学习(DRL)框架,利用数据驱动方法寻找建筑所有子系统(包括暖通空调、照明、百叶窗和窗户系统)的最优控制序列。该DRL架构包含一种新颖的奖励函数,使框架能够探索能源使用与用户舒适度之间的权衡,同时由于四个不同建筑子系统的交互,得以求解高维控制问题。为满足OCTOPUS的数据训练需求,我们认为匹配目标建筑运行点的校准仿真是生成足够数据以训练我们的DRL框架寻找目标建筑控制方案的途径。在我们的工作中,我们使用10年气象数据及在EnergyPlus建筑模拟器中实现的建筑模型训练OCTOPUS,该模型使用来自真实生产建筑的数据进行了校准。通过大量仿真,我们证明OCTOPUS在LEED金级认证建筑中相比最先进的基于规则的方法、以及相比文献中最新基于DRL的方法分别可实现14.26%和8.1%的节能,同时将人体舒适度维持在期望范围内。
引用
@article{arxiv.2301.11510,
title = {Exploring Deep Reinforcement Learning for Holistic Smart Building Control},
author = {Xianzhong Ding and Alberto Cerpa and Wan Du},
journal= {arXiv preprint arXiv:2301.11510},
year = {2023}
}
备注
14 pages. arXiv admin note: text overlap with arXiv:1711.08946 by other authors