33、智能建筑中能源效率与热舒适度的认知系统

智能建筑中能源效率与热舒适度的认知系统

1. 引言

在工业化国家，人们约90%的时间都在室内度过，因此室内热舒适度管理成为了至关重要的优先事项。近年来，智能建筑凭借物联网（IoT）和人工智能（AI）等先进技术，为居住者提供健康舒适的环境，取得了显著的成功。部分技术可自主管理，并依靠自动学习方法，通过与用户和环境的交互，独立学习控制智能家居的各种流程，涵盖照明、安全以及空调系统管理等方面。这不仅提升了热舒适度和能源效率，还引领人们迈向更智能的生活方式。

本工作旨在基于人工智能，为智能建筑的能源管理寻找创新解决方案。核心思路是利用人工智能，特别是机器学习（ML）的潜力，开发具备自主适应和学习能力的认知设备，结合物联网技术，高效且可持续地管理建筑设备。机器学习通常分为“监督学习”“无监督学习”和“强化学习”。与前两者不同，强化学习无需静态数据集，能在动态环境中自主从过往经验学习，减少了数据收集、预处理和标记的需求。

近年来，基于强化学习算法的智能建筑优化管理方案不断涌现，但建筑及其设备建模的复杂性限制了这些技术的应用。不过，深度强化学习（DRL）技术借助人工神经网络的灵活性和潜力，能够应对这一挑战。以深度Q网络为代表的深度强化学习算法，克服了传统强化学习方法的局限。

本研究运用基于DRL的认知技术，自动学习控制办公室的供暖通风与空调（HVAC）系统，目标是实现一个网络控制器，既能降低热不适感，又能减少HVAC系统的一次能源消耗。当室内温度接近用户期望的舒适温度时，不适感将降至最低。学习过程由累积奖励驱动，该奖励结合了用户舒适度和能源消耗两个因素。为评估该方法的有效性，以办公室的风机盘管控制为例进行研究，并提出热模型用于训练控制器，计算能源消耗和室内温度趋势。数值模拟