面向 HVAC 控制的松弛度感知可扩展强化学习
系统与控制
2023-06-30 v1 人工智能
系统与控制
最优化与控制
摘要
需求灵活性在维持电网平衡、降低峰值负荷以及节省用户电费方面发挥着至关重要的作用。鉴于暖通空调（HVAC）系统具有高度可转移负荷且占建筑能耗比重显著，其可通过根据电价与电力系统需求调整自身能耗，为电力系统提供宝贵的需求灵活性。为在运行时间与功率上利用该灵活性，必须精确建模并聚合大量 HVAC 系统的负荷灵活性，并设计有效控制算法。本文利用松弛度概念量化各 HVAC 运行请求的紧急程度，从而解决建模与控制中的维数灾难问题。我们进一步提出一种两层方法以解决大规模 HVAC 系统的能量优化问题。下层由聚合器聚合 HVAC 负荷松弛度信息，并依据控制器总功率采用最小松弛度优先（LLF）规则为各 HVAC 系统分配实时功率。鉴于 HVAC 系统的复杂与不确定特性，我们借助基于强化学习（RL）的控制器，根据聚合松弛度信息与电价调度总功率。我们在不同气候与电力市场条件下的单区与多区场景中，评估了大规模 HVAC 系统的温度控制与节能成本表现。实验结果表明，所提方法在多数测试场景中优于集中式方法，并在部分场景中与基于模型的方法表现相当。
引用
@article{arxiv.2306.16619,
title = {Laxity-Aware Scalable Reinforcement Learning for HVAC Control},
author = {Ruohong Liu and Yuxin Pan and Yize Chen},
journal= {arXiv preprint arXiv:2306.16619},
year = {2023}
}
备注
In Submission