PhysQ:一种用于建筑控制的物理信息强化学习框架
系统与控制
2022-11-23 v1 系统与控制
摘要
间歇性可再生能源的大规模并网需要大量的需求侧灵活性。鉴于建筑环境约占欧盟总能耗的 40%,释放其灵活性是能源转型过程中的关键一步。本文特别关注住宅建筑的能源灵活性,利用其内在热质量。基于数据驱动控制领域的近期进展,我们提出 PhysQ。作为一个用于建筑控制的物理信息强化学习框架,PhysQ 是在基于模型的常规控制与基于强化学习的数据密集型控制之间弥合差距的一步。通过实验,我们表明所提出的 PhysQ 框架能够学习高质量的控制策略,优于常规运行控制器以及一种初级模型预测控制器。我们的实验表明与常规运行控制器相比可节约约 9% 的成本。进一步,我们展示 PhysQ 高效利用先验物理知识以比常规强化学习方法更少的训练样本学习此类策略,使 PhysQ 成为可用于住宅建筑的可扩展替代方案。此外,PhysQ 控制策略利用基于常规建筑模型的直观建筑状态表示,相较于其他数据驱动控制器可更好地解释所学策略。
引用
@article{arxiv.2211.11830,
title = {PhysQ: A Physics Informed Reinforcement Learning Framework for Building Control},
author = {Gargya Gokhale and Bert Claessens and Chris Develder},
journal= {arXiv preprint arXiv:2211.11830},
year = {2022}
}
备注
15 pages, 4 figures,