基于数据的近最优深度强化学习策略用于区域温度控制
机器学习
2022-03-11 v1 人工智能
系统与控制
系统与控制
摘要
以更智能的方案替换表现不佳的现有控制器将降低建筑行业的能源强度。近来,基于深度强化学习(DRL)的控制器已被证明比常规基线更为有效。然而,由于最优解通常未知,仍不清楚 DRL 智能体总体上是否达到了近最优性能,或是否仍有较大差距待弥补。本文中,我们考察 DRL 智能体相对于理论最优解的性能。为此,我们利用物理一致神经网络(PCNNs)作为仿真环境,其最优控制输入易于计算。此外,PCNNs 仅依赖数据进行训练,避免了困难的基于物理的建模阶段,同时保留物理一致性。我们的结果暗示,DRL 智能体不仅明显优于常规基于规则的控制器,而且达到了近最优性能。
引用
@article{arxiv.2203.05434,
title = {Near-optimal Deep Reinforcement Learning Policies from Data for Zone Temperature Control},
author = {Loris Di Natale and Bratislav Svetozarevic and Philipp Heer and Colin N. Jones},
journal= {arXiv preprint arXiv:2203.05434},
year = {2022}
}
备注
Submitted to IEEE ICCA 2022 - 6 pages, 5 figures