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

在室内环境中管理热舒适度已成为一项至关重要的优先事项。特别是在工业化国家，人们大约 90% 的时间都在室内度过。近年来，智能建筑越来越受欢迎，因为它们能够利用物联网（IoT）和人工智能（AI）支持的先进技术，为居住者提供健康舒适的环境。部分技术可自主管理，并依靠自动学习方法，通过与用户和环境互动，独立学习控制智能家居的各种过程，涵盖照明、安全到空调系统管理等方面。这不仅能提升热舒适度和能源效率，还能让人们开启更智能的生活方式。

本文旨在基于人工智能，为“智能建筑”环境下的能源管理寻找创新解决方案。核心思路是利用人工智能，尤其是机器学习（ML）的潜力，定义新的认知设备。这些设备具备自主适应和学习能力，结合物联网的优势，能高效且可持续地管理建筑内的电器。在机器学习领域，常见的学习方法有“监督学习”“无监督学习”和“强化学习”。与前两种方法不同，强化学习不依赖静态数据集，而是在动态环境中自主从过往经验学习，无需监督，这减少了实际训练前的数据收集、预处理和标注工作。

近年来，基于强化学习算法的智能建筑优化管理方法不断涌现，但这些技术的应用受限于建筑及其设备建模的极端复杂性。不过，当前的深度强化学习（DRL）技术借助人工神经网络的多功能性和潜力，能够应对这一挑战。深度强化学习算法，如深度 Q 网络，可克服传统强化学习方法的局限。

本文运用基于 DRL 的认知技术，自动学习控制办公室的供暖通风与空调系统（HVAC），目标是实现一个网络控制器，既能最小化用户感知的热不适，又能降低 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，热不适将降至最低。学习过程由累积奖励驱动，该奖励结合了考虑用户舒适度和能源消耗