利用深度强化学习将多模式偏好集成到家庭能源管理系统中
机器学习
2025-05-05 v1 系统与控制
系统与控制
应用统计
摘要
家庭能源管理系统（HEMS）已成为智能家居生态系统中的关键工具，旨在提高能源效率、降低成本和改善用户舒适度。通过对家庭能源消耗进行智能控制和优化，HEMS在弥合消费者需求与能源公用事业目标之间的差距方面发挥着重要作用。然而，现有文献大多将用户舒适度解释为对标准电器设置的简单偏离。这种偏离通常通过静态权重因子纳入优化目标。这些因子往往忽略了用户行为和偏好的动态特性。针对这一疏忽，本文引入了一个基于多模式深度强化学习的HEMS（DRL-HEMS）框架，该框架经过精心设计，可根据动态的、用户定义的偏好进行优化。我们的主要目标是通过嵌入针对单个电器定制的动态多模式偏好，来增强用户在需求响应（DR）项目中的参与度。在本研究中，我们利用一种无模型、单智能体DRL算法，提供了一个不仅动态而且用户友好的HEMS框架。为了验证其有效性，我们采用了15分钟间隔的真实世界数据，包括电价、环境温度和电器功耗等指标。结果表明，该模型在不同偏好模式下优化能源消耗方面表现异常出色。此外，与基于混合整数线性规划（MILP）的传统算法相比，我们的模型实现了近乎最优的性能，同时在计算效率上更胜一筹。
引用
@article{arxiv.2505.01332,
title = {Integration of Multi-Mode Preference into Home Energy Management System Using Deep Reinforcement Learning},
author = {Mohammed Sumayli and Olugbenga Moses Anubi},
journal= {arXiv preprint arXiv:2505.01332},
year = {2025}
}
备注
Accepted for publication in ASME journal of engineering for sustainable buildings and cities