面向商业建筑 HVAC 控制的多智能体深度强化学习
系统与控制
2020-07-23 v2 机器学习
系统与控制
摘要
在商业建筑中，约 40%-50% 的总电力消耗归因于供暖、通风和空调(HVAC)系统，这给建筑运营者带来经济负担。在本文中，我们旨在动态电价下考虑随机分区占用、热舒适度和室内空气质量舒适度，最小化多分区商业建筑中 HVAC 系统的能源成本。由于存在未知热动力学模型、参数不确定性（如室外温度、电价和居住人数）、与室内温度和 CO2 浓度相关的空间和时间耦合约束、大的离散解空间以及非凸且不可分离的目标函数，实现上述目标非常具有挑战性。为此，上述能源成本最小化问题被重新表述为马尔可夫博弈。然后，提出一种基于带注意力机制的多智能体深度强化学习的 HVAC 控制算法来求解该马尔可夫博弈。所提算法不需要任何不确定参数的先验知识，且可在不知晓建筑热动力学模型的情况下运行。基于真实轨迹的仿真结果显示了所提算法的有效性、鲁棒性和可扩展性。
引用
@article{arxiv.2006.14156,
title = {Multi-Agent Deep Reinforcement Learning for HVAC Control in Commercial Buildings},
author = {Liang Yu and Yi Sun and Zhanbo Xu and Chao Shen and Dong Yue and Tao Jiang and Xiaohong Guan},
journal= {arXiv preprint arXiv:2006.14156},
year = {2020}
}
备注
14 pages, 21 figures, accepted by IEEE Transactions on Smart Grid