基于零样本强化学习的低排放建筑控制

建筑中的供暖与制冷系统占全球能源使用的 31%，其中许多由基于规则的控制器（RBCs）调节，这类控制器既未最大化能效，也未通过与电网的最优交互最小化排放。通过强化学习（RL）进行控制已被证明能显著改善建筑能效，但现有方案需要访问建筑专用模拟器或数据，而不能为世界上每栋建筑所具备。对此，我们表明无需此类先验知识即可获得减排策略——这一范式我们称为零样本建筑控制。我们结合系统辨识与基于模型的 RL 思想，创建了 PEARL（概率减排强化学习），并表明仅需短时间的主动探索即可构建高性能模型。在三个不同建筑能源模拟的实验中，我们展示 PEARL 在一次中优于现有 RBC，且在所有情况下优于流行 RL 基线，在维持热舒适的同时将建筑排放减少多达 31%。我们的源代码可通过 https://enjeeneer.io/projects/pearl/ 在线获取。