公开(公告)号：CN111144793B

公开(公告)日：2022-06-14

申请号：CN202010003718.1

申请日：2020-01-03

Applicant: 南京邮电大学

Inventor： 余亮 ,  孙毅 ,  岳东 ,  邹玉龙

IPC: G06Q10/06 ,  G06Q50/06 ,  G06N3/08

Abstract: 本发明公开了一种基于多智能体深度强化学习的商业建筑HVAC控制方法，包括以下步骤：（1）维持室内温度和空气质量在舒适范围的前提下，将多区域商业建筑HVAC能量成本最小化问题建模为马尔可夫博弈，并设计相应的环境状态、行为、以及奖励函数；（2）使用多智能体行动者‑注意力‑评论家强化学习算法对深度神经网络进行训练；（3）在实际应用中，依据训练好的深度神经网络和新的环境状态输入即可获得关于HVAC风阀位置和各个区域空气供给速率的决策。与现有方法相比，本发明提出的方法无需知晓建筑热动力学模型和不确定性参数的任何先验信息，且具有更大的能量成本节省潜力和更高的可扩展性。

公开(公告)号：CN111144793A

公开(公告)日：2020-05-12

申请号：CN202010003718.1

申请日：2020-01-03

Applicant: 南京邮电大学

Inventor： 余亮 ,  孙毅 ,  岳东 ,  邹玉龙

IPC: G06Q10/06 ,  G06Q50/06 ,  G06N3/08

Abstract: 本发明公开了一种基于多智能体深度强化学习的商业建筑HVAC控制方法，包括以下步骤：（1）维持室内温度和空气质量在舒适范围的前提下，将多区域商业建筑HVAC能量成本最小化问题建模为马尔可夫博弈，并设计相应的环境状态、行为、以及奖励函数；（2）使用多智能体行动者-注意力-评论家强化学习算法对深度神经网络进行训练；（3）在实际应用中，依据训练好的深度神经网络和新的环境状态输入即可获得关于HVAC风阀位置和各个区域空气供给速率的决策。与现有方法相比，本发明提出的方法无需知晓建筑热动力学模型和不确定性参数的任何先验信息，且具有更大的能量成本节省潜力和更高的可扩展性。