-
题名基于双池DQN的HVAC无模型优化控制方法
被引量：2
- 1
-
-
作者
马帅
傅启明
陈建平
冯帆
陆悠
李铮伟
裘舒年
-
机构
苏州科技大学电子与信息工程学院
江苏省智慧建筑节能重点实验室
苏州移动网络及应用技术重点实验室
德州农工大学
同济大学机械与能源学院
同济大学工程结构性能演化与控制教育部重点实验室
-
出处
《智能科学与技术学报》
2022年第3期426-444,共19页
-
基金
国家重点研发计划基金资助项目(No.2020YFC2006602)
国家自然科学基金资助项目(No.62072324,No.61876217,No.61876121,No.61772357)
江苏省重点研发计划基金资助项目(No.BE2020026)。
-
文摘
在HVAC控制领域,基于模型的最优控制方法得到了学者的广泛研究与验证,但是该方法高度依赖模型的准确性、大量历史数据的收集以及传感器的部署。针对上述问题,结合EnergyPlus、实际系统参数以及历史数据,构建HVAC优化控制模型,并提出一种改进的双池DQN算法,最后将其应用于HVAC系统中不同型号冷机的负荷分配、冷却塔风机频率以及冷却水泵频率的组合优化控制。基于所构建的问题模型,针对决策优化过程中存在的样本不平衡的问题,该算法在DQN的基础上,建立两个独立的经验池,分别存储负荷分配与非负荷分配样本,在训练过程中,遵循一定的比例从经验池中进行采样,以加快算法收敛。将所提出的方法与基于模型的控制方法及基线方法进行比较,实验结果表明,与基线方法相比,基于模型的HVAC控制器能够节能11.5%(最优节能效率),而基于双池DQN的HVAC控制器在第1年就能够节能7.5%,同时,随着系统运行,该控制器在第8年左右即可获得接近最优节能效率的结果。此外,与基于模型的HVAC控制器相比,该控制器不依赖于系统模型,且在在线控制过程中,所需的先验知识及传感器较少,在实际的工程应用中更具价值。
-
关键词
深度强化学习
无模型优化控制
HVAC系统
建筑节能
-
Keywords
deep reinforcement learning
model-free optimal control
HVAC system
building energy saving
-
分类号
TP273
[自动化与计算机技术—检测技术与自动化装置]
-
