一劳永逸：面向建筑HVAC控制的迁移学习

建筑供暖、通风和空调（HVAC）系统的设计至关重要，因为它约占建筑能耗的一半，并直接影响居住者的舒适度、生产力和健康。传统的HVAC控制方法通常基于为建筑热动力学建立显式物理模型，这需要大量开发工作，且难以在运行时实现足够的精度和效率，以及现场实现的可扩展性。近年来，深度强化学习（DRL）作为一种有前景的数据驱动方法出现，无需在运行时分析物理模型即可提供良好的控制性能。然而，DRL（以及许多其他数据驱动学习方法）面临的一个主要挑战是达到期望性能所需的长时间训练。在这项工作中，我们提出了一种新颖的基于迁移学习的方法来克服这一挑战。我们的方法通过将神经网络控制器的设计分解为一个可迁移的前端网络（捕获与建筑无关的行为）和一个后端网络（可针对每个特定建筑高效训练），能够有效地将针对源建筑训练的基于DRL的HVAC控制器迁移到目标建筑，且所需工作量最小，性能得到提升。我们在不同大小、热区数量、材料和布局、空调类型以及环境天气条件的建筑之间的多种迁移场景上进行了实验。实验结果证明了我们的方法在显著减少训练时间、能源成本和温度违规方面的有效性。