机构名称：
¥ 8.0
全球建筑物占能源消耗和供暖，倾斜度和空调（HVAC）的30％，约占建筑物征收的38％。因此，节能对于可持续性至关重要。建筑物的复杂性，具有不同的物理领域和大规模组成部分，对实现节能操作提出了挑战。实施高性能控制是有效的，但需要时间，需要合格的专家。增强学习（RL）提供适应性，但需要广泛的数据，因此很难扩展到大型系统。rl广泛用于无模型环境，例如视频游戏；但是，在控制问题时，由于必须达到系统的稳定性和鲁棒性，因此更加挑剔。该项目探索了具有物理信息的RL（PIRL），以构建能量优化，重点是监督控制级别。选择了物理模型的信息来加速学习，并研究了增强学习对建筑物冷却系统的影响。关键问题包括从物理模型中选择适当的信息，确定数据要求以及利用建筑系统体系结构以扩展PIRL。在Modelica语言中开发的动态模型，并在论文中使用了开源建筑库。数值概念，以评估PIRL的缩放势。一个目标是使用PIRL方法和载体自动化逻辑构建控制软件在循环方法中理解和应用软件。将显示物理信息有助于减少训练时间，并且与基线控制器相比，可以使用PIRL节省能量。
物理知识的增强学习可行性研究用于建筑能源优化
主要关键词
相关文件推荐
