基于深度强化学习的智能楼宇节能热舒适控制
摘要:采暖、通风和空调 (HVAC) 能耗极高,占建筑总能耗的 40%。
因此,设计一些节能的建筑热控制策略,在保持居住者舒适度的同时降低暖通空调的能耗是至关重要的。
然而,实施这样的政策具有挑战性,因为它涉及建筑环境中的各种影响因素,这些因素通常难以建模,并且可能因情况而异。
为了应对这一挑战,我们提出了一个基于深度强化学习的智能建筑能源优化和热舒适控制框架。
我们将建筑热控制制定为成本最小化问题,该问题同时考虑了 HVAC 的能耗和居住者的热舒适度。
为了解决这个问题,我们首先采用基于深度神经网络的方法来预测乘员的热舒适度,然后采用深度确定性策略梯度(DDPG)来学习热控制策略。
为了评估性能,我们实施了一个建筑热控制模拟系统并评估了各种设置下的性能。
实验结果表明,我们的方法可以提高热舒适度预测精度,在提高乘员热舒适度的同时降低暖通空调的能耗。
ID:48100690276603453
满船清梦乔碧萝
本文基于深度强化学习的智能楼宇节能热舒