MERLIN：基于智能电表数据与 CityLearn 的网格交互社区以居住者为中心的能源柔性运行多智能体离线及迁移学习
机器学习
2023-06-12 v1 人工智能
系统与控制
系统与控制
摘要
建筑脱碳因可再生能源间歇性以及终端电气化带来的电网负荷增加，给电网可靠性带来新挑战。为恢复可靠性，网格交互高效建筑可通过需求响应为电网提供柔性服务。居民需求响应项目受限于客户手动干预的需要。为最大化住宅建筑的能源柔性潜力，需要先进的控制架构。强化学习（RL）相较于专家系统能适应独特建筑特性，非常适于柔性资源控制。然而，阻碍 RL 在真实应用中采用的因素包括其训练所需的大量数据、控制安全性与泛化能力。在此，我们通过提出 MERLIN 框架并使用 CityLearn 中一个真实世界 17 栋建筑网格交互住宅社区的数字孪生来解决这些挑战。我们表明：1）针对电池的独立 RL 控制器通过为各建筑定制策略，在建筑与区域层面 KPI 上优于参考 RBC；2）尽管居住者行为各异，将任一建筑的 RL 策略迁移至其他建筑可提供相当性能，同时降低训练成本；3）在未能捕捉居住者行为完整季节性的有限时序数据上训练 RL 控制器对性能影响甚微。尽管受控电池可能维持或恶化建筑的零净能耗（ZNE）状态，但通常由 ZNE 条件改善的 KPI（电价与碳排放）在电池由先进控制器管理时得到进一步改善。
引用
@article{arxiv.2301.01148,
title = {MERLIN: Multi-agent offline and transfer learning for occupant-centric energy flexible operation of grid-interactive communities using smart meter data and CityLearn},
author = {Kingsley Nweye and Siva Sankaranarayanan and Zoltan Nagy},
journal= {arXiv preprint arXiv:2301.01148},
year = {2023}
}
备注
under review