arXiv cs.AI· Antonio Manjavacas, David Su\'arez-Caro, Alejandro Campoy-Nieves, Guillermo Rey, Gonzalo Satr\'ustegui, Miguel Molina-Solana·· 23 小时前AI 评分26
深度强化学习用于热泵与地暖控制:端到端案例研究
Deep Reinforcement Learning for Heat Pump and Underfloor Heating Control: An End-to-End Case Study
AI 导读
一项端到端案例研究将深度强化学习(DRL)控制器部署到真实住宅的集成地暖-热泵(UFH-HP)系统中,先在仿真中筛选算法与配置,再用真实住宅数字孪生训练智能体,表现最佳的智能体无需在线微调即直接部署。结果显示控制器在保持室内温度处于设定舒适区间的同时,动态调节热泵供水温度和地暖阀门开度,验证了在有人居住建筑中部署 DRL 控制器的可行性,并揭示了从数字环境迁移到真实供暖系统的鲁棒性与实际挑战。
正文 · AI 翻译
摘要:地暖(UFH)系统与热泵(HP)耦合的高效控制具有挑战性,原因在于建筑的高热惯性以及地暖系统缓慢的动态响应。深度强化学习(DRL)提供了一种数据驱动的控制方法,能够同时优化能耗与热舒适度。然而,基于 DRL 的控制器在实际运行条件下、有人居住的建筑中的应用仍然有限。本文针对一个地暖-热泵集成系统,给出了基于 DRL 的控制器端到端案例研究(开发、评估与实际部署)。首先,开展了基于仿真的试点研究,以评估不同的 DRL 算法、控制策略与配置。随后,构建了一栋真实住宅建筑的数字孪生,并用于在模拟运行条件下训练 DRL 智能体。随后,将表现最佳的智能体部署到实体建筑中,且未进行额外的在线微调。结果表明,该控制器成功地将室内温度维持在规定的舒适范围内,同时动态调节热泵供水温度和地暖阀门开度。这些发现证明了在有人居住的建筑中部署 DRL 控制器的可行性,并凸显了其鲁棒性以及将控制策略从数字环境迁移到真实供暖系统时所面临的实际挑战。
| 评论: | 预印本已投稿至期刊 |
| 主题: | 人工智能(cs.AI);系统与控制(eess.SY) |
| ACM 分类: | I.2.8;J.2 |
| 引用为: | arXiv:2611.23063 [cs.AI] |
| (或 arXiv:2611.23063v1 [cs.AI] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.23063 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Antonio Manjavacas [查看邮箱]
[v1]
2026年11月17日 星期二 16:54:25 UTC(6,989 KB)
来源:arXiv cs.AI · arxiv.org