强化学习的优化控制策略提升智慧建筑节能

林士飏; 李栋

doi:10.70693/cjst.v2i2.1935

Authors

林士飏广州理工学院
李栋内蒙古工业大学

DOI:

https://doi.org/10.70693/cjst.v2i2.1935

Keywords:

智能建筑；强化学习；Q-Learning；深度Q网络（DQN）；低碳优化

Abstract

本文研究强化学习优化智能建筑低碳控制策略，运用深度Q网络（Deep Q-Network, DQN）模型，构建与建筑能耗仿真平台Energy Plus的交互接口，达成智能控制策略和建筑物理模型的融合。依靠界定状态空间、动作空间以及奖励函数，强化学习智能体可在持续训练进程中持续优化控制策略，实现对空调系统启停、温度设定等关键参数的动态优化调控，并在多种场景下开展对比分析，实验选取典型办公建筑，展开为期30天的动态模拟。模拟结果显示：与基线策略相比，Q-learning 达成11.6%的节能率，DQN是提升至14.1%，DQN控制器的PMV均值控制在0.34以内，波动系数降低32%，呈现出更为出色的舒适保持能力。在保证室内热舒适性的降低建筑运行能耗，强化学习控制策略具有良好的节能性与鲁棒性，能在高维状态空间中的表现突出，拥有更快的收敛速度与更优的长期回报能力。

References

Olu-Ajayi R, Alaka H, Sulaimon I, et al. Building energy consumption prediction for residential buildings using deep learning and other machine learning techniques[J]. Journal of Building Engineering, 2022, 45: 103406.

Shapi M K M, Ramli N A, Awalin L J. Energy consumption prediction by using machine learning for smart building: Case study in Malaysia[J]. Developments in the Built Environment, 2021, 5: 100037.

Amasyali K, El-Gohary N. Machine learning for occupant-behavior-sensitive cooling energy consumption prediction in office buildings[J]. Renewable and Sustainable Energy Reviews, 2021, 142: 110714.

金威. 基于深度强化学习的建筑能耗预测方法研究[D]. 苏州科技大学, 2023.

李锋, 陈勇, 王家序, 等. 基于强化学习单元匹配循环神经网络的滚动轴承状态趋势预测[J]. 计算机集成制造系统, 2020, 26(8): 10.

侯慧, 何梓姻, 陈跃, 等. 基于深度强化学习区间多目标优化的智能建筑低碳优化调度[J]. 电力系统自动化, 2023, 47(21):47-57.

凌华靖. 基于竞争深度强化学习的建筑能耗预测研究[D]. 苏州科技大学, 2021.

田大伟. 面向建筑节能的深度森林和强化学习方法研究[D]. 苏州科技大学, 2020.