跳到正文
arXiv cs.AI· Abbas Raza Ali, Muhammad Hamza Rehman, Xu Li, Muhammad Ajmal Siddiqui·· 10 小时前AI 评分34

从数据到阀门:面向可持续 HVAC 控制的自学习生产级边缘栈

From Data to Valves: A Self-Learning, Production-Grade Edge Stack for Sustainable HVAC Control

AI 导读

一套面向可持续 HVAC 控制的生产级边缘栈在每栋建筑的 NVIDIA Jetson Orin 网关上运行三个学习组件,持续从建筑自身数据自适应并自验证效果。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:已学习 HVAC 控制器很少能走出模拟器,而那些真正部署的控制器通常采用离线训练、部署时冻结、再从云端重新训练的方式。我们提出一套生产级技术栈,其中三个学习组件在每栋建筑的一台 NVIDIA Jetson Orin 网关上运行,持续利用建筑自身的数据进行自适应,并验证自身的效果。(a) 一个紧凑的 transformer 编码器预测器,每个设备组一个,并带有学习到的按机组嵌入,预测每个空气侧机组的下一周期温度,并以预序方式学习,每五分钟周期执行一次梯度步,其背后有五个独立门控,用于限制任何损坏读数的影响。(b) 一个分布式 soft actor-critic 智能体,跨机组类型共享同一策略,在结构性安全包络下将测量状态转换为冷冻水阀门位置,任何学习组件都无法削弱该包络;其第二代仅根据记录的转换数据在设备上每晚学习,带有行为锚点和 critic 校准项,由四个无模型指标评分,并通过原子热切换进行升级。(c) 一个遵循 ASHRAE Guideline 14 的变点回归基线提供反事实,用于认证节能效果。在一家酒店十八个月的数据上,预测器在一周内从随机权重收敛,并在没有重新训练事件的情况下,对空气处理机组、新风机组和风机盘管机组分别达到 0.37、0.39 和 0.11 摄氏度 MAE;在另一家酒店,基线将 46 天的留出期复现到 0.07% 以内。RL 智能体已完成其模拟器内测试活动,并在 104 台机组上以影子模式运行;我们报告了每个服务在共享 15 GB 设备上的实测延迟和内存、此次活动的系统经验教训,以及证据目前确切地确立了什么、尚未确立什么。
主题: 机器学习(cs.LG);人工智能(cs.AI)
引用为: arXiv:2611.24052 [cs.LG]
  (或 arXiv:2611.24052v1 [cs.LG] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.24052

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Abbas Raza Ali [查看电子邮件]
[v1] 2026年11月18日星期三 08:43:30 UTC(2,972 KB)

来源:arXiv cs.AI · arxiv.org