基于 MILP 的模仿学习用于 HVAC 控制

为利用人工神经网络等先进技术优化 HVAC 系统运行，以往研究通常在其方法中需要预测信息。然而，预测信息始终不可避免地包含误差，这会降低 HVAC 运行性能。因此，本研究提出基于 MILP 的模仿学习方法来控制 HVAC 系统，不使用预测信息，以降低能源成本并将热舒适度维持在给定水平。我们提出的控制器是一个深度神经网络（DNN），通过使用由 MILP 求解器结合历史数据标注的数据训练得到。训练后，我们的控制器利用实时数据控制 HVAC 系统。为比较，我们还开发了第二种方法，称为基于预测的 MILP，其利用预测信息控制 HVAC 系统。两种方法的性能通过使用美国密歇根州底特律市真实室外温度与真实日前电价验证。数值结果清晰表明，在小时耗电量、日能源成本与热舒适度方面，基于 MILP 的模仿学习性能优于基于预测的 MILP 方法。此外，基于 MILP 的模仿学习方法结果与最优结果之差几乎可忽略。这些最优结果仅能在一天结束时，当我们拥有当日天气与电价的完整信息时，通过 MILP 求解器取得。