基于零样本强化学习的低排放建筑控制
机器学习
2022-08-17 v2 系统与控制
系统与控制
摘要
建筑中的供暖和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源效率，也未通过与电网的最优交互来最小化排放。通过强化学习（RL）进行控制已被证明可显著提升建筑能源效率，但现有解决方案需要访问建筑特定的模拟器或数据，而全球每栋建筑都无法具备此类条件。为此，我们展示无需此类先验知识即可获得减排策略——这一范式我们称之为零样本建筑控制。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，Probabilistic Emission-Abating Reinforcement Learning），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 在一次情况下优于现有 RBC，且在所有情况下优于流行的 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。
引用
@article{arxiv.2208.06385,
title = {Low Emission Building Control with Zero-Shot Reinforcement Learning},
author = {Scott R. Jeen and Alessandro Abate and Jonathan M. Cullen},
journal= {arXiv preprint arXiv:2208.06385},
year = {2022}
}
备注
This paper should have been submitted as a replacement for arXiv:2206.14191