SINERGYM -- 基于强化学习的建筑能源优化虚拟测试平台
机器学习
2024-12-12 v1 系统与控制
系统与控制
摘要
仿真已成为建筑能源优化（BEO）的关键工具，因为它可在低成本下评估不同的设计和控制策略。机器学习（ML）算法可从大量数据中学习最优控制，而无需监督，特别是在强化学习（RL）范式下。不幸的是，缺乏开放且标准化的工具阻碍了 ML 和 RL 在 BEO 中的广泛应用。为此，本文提出了 Sinergym，一款基于 Python 的开源虚拟测试平台，支持大规模建筑仿真、数据收集、连续控制和实验监控。Sinergym 提供用于训练和运行控制器的一致接口，预定义的基准，实验可视化和复制支持，以及即插即用软件库的综合文档。本文 1) 总结了 Sinergym 相比其他现有框架的主要特性，2) 描述了其基本用法，3) 通过几个具有代表性的示例演示了其在基于 RL 的 BEO 中的适用性。通过集成仿真、数据和控制，Sinergym 支持开发智能、数据驱动的应用程序，以提高建筑操作的效率和响应性，与数字孪生技术的目标相吻合。
引用
@article{arxiv.2412.08293,
title = {SINERGYM -- A virtual testbed for building energy optimization with Reinforcement Learning},
author = {Alejandro Campoy-Nieves and Antonio Manjavacas and Javier Jiménez-Raboso and Miguel Molina-Solana and Juan Gómez-Romero},
journal= {arXiv preprint arXiv:2412.08293},
year = {2024}
}