CN111351180B - 一种运用人工智能实现数据中心节能温控的系统及方法 - Google Patents
一种运用人工智能实现数据中心节能温控的系统及方法 Download PDFInfo
- Publication number
- CN111351180B CN111351180B CN202010152436.8A CN202010152436A CN111351180B CN 111351180 B CN111351180 B CN 111351180B CN 202010152436 A CN202010152436 A CN 202010152436A CN 111351180 B CN111351180 B CN 111351180B
- Authority
- CN
- China
- Prior art keywords
- temperature
- network
- reward
- humidity
- reinforcement learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20709—Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
- H05K7/208—Liquid cooling with phase change
- H05K7/20827—Liquid cooling with phase change within rooms for removing heat from cabinets, e.g. air conditioning devices
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Computer Hardware Design (AREA)
- Thermal Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种运用人工智能实现数据中心节能温控的系统及方法,该系统包含:传感器、控制器以及暖通空调系统。本发明还公开了通过该系统进行的运用人工智能实现数据中心节能温控的方法,该方法结合深度神经网络和深度强化学习,首先用深度神经网络结合贝叶斯正则化算法,预测多影响因子下的温度舒适度,然后再结合深度强化学习的算法,寻找最优调整方案。本发明提供的系统及方法用于数据中心,基于节能和温度的深度强化学习的算法,运用人工智能实现节能温控,既可以满足温度要求,又可以最小化暖通空调系统的消耗。
Description
技术领域
本发明涉及一种用于数据中心的节能温控的系统及方法,具体地,涉及一种运用人工智能实现数据中心节能温控的系统及方法。
背景技术
数据中心需要设置供暖,通风和空调(HVAC;Heating,Ventilation andAirConditioning;暖通空调系统),但HVAC非常耗能,可占数据中心基础消耗总数的15%。因此,设计出既节能又能满足温度需求的控制系统至关重要。但是,实现起来却具有挑战性,因为它涉及各种影响建筑环境中的因素,满足所有要求通常很难,并且可能因情况而异。
关于节能温度控制,已有很多其他方法,比如Proportional IntegralDerivative(PID,比例积分微分),Model Predictive Control(MPC,模型预测控制),FuzzyControl(模糊控制),Linear-Quadratic Regulator(线性二次型调节器)等。但在复杂的环境和多种影响因子的情况下,上述方法都很难满足要求,而且模型通用化比较差,模型需要根据环境进行改动。
除此之外,只使用深度强化学习来调控HVAC的模型在复杂的环境下也无法训练出很好的效果。
发明内容
本发明的目的是提供一种用于数据中心的节能温控的系统及方法,基于节能和温度的深度强化学习的算法,能够解决现有的问题,既可以满足温度要求,又可以最小化HVAC消耗。
为了达到上述目的,本发明提供了一种运用人工智能实现数据中心节能温控的系统,其中,所述的系统包含:传感器、控制器以及暖通空调系统;所述的传感器定时测量室内、室外的温度和湿度数据;所述的控制器接收室内外环境信息以及暖通空调系统的工作信息,通过模型算法得到暖通空调系统的调整方案;所述的传感器与控制器相连,暖通空调系统接受控制器指令进行加热或制冷或除湿。
本发明还提供了一种通过上述的系统进行的运用人工智能实现数据中心节能温控的方法,其中,所述的方法结合深度神经网络和深度强化学习,首先用深度神经网络结合贝叶斯正则化算法,预测多影响因子下的温度舒适度,然后再结合深度强化学习的算法,寻找最优调整方案。
上述的运用人工智能实现数据中心节能温控的方法,其中,所述的方法中使用深度神经网络来预测合适温度,结合深度强化学习来获得最优调整方案;先由训练好的深度神经网络根据当前温湿度,预测出室内最优温湿度,预测出的温湿度和耗能情况用于计算强化学习的奖励值reward,强化学习网络通过观测不同调整方案的奖励值reward来学习调整逻辑,并输出最优调整方案。
上述的运用人工智能实现数据中心节能温控的方法,其中,所述的方法中将耗能问题调控和能耗优化作为一个马尔可夫决策过程MDP,用来最小化总能耗;其中分别设定:阶段State、调整Action、奖励值reward、最小化消耗。
所述的奖励值reward:奖励包含两个部分,分别为暖通空调系统能耗惩罚,以及错误预测温度惩罚;温度预测氛围分为-3到3的六个等级,-3为太冷,0为正常,3为太热;合适预测温度应该处于[-D,D]的范围内,D为预设值,若预测温度不在预设范围内,则会出现惩罚,即
上述的运用人工智能实现数据中心节能温控的方法,其中,所述的深度神经网络是用一个两层隐藏层的前馈深度神经网络来预测合适的温度,输入量包含空气温湿度、平均温度、风速、变化速度,输出量为预测温度舒适值;在训练中,使用标记好的训练集来提高模型精度,为了防止过拟合,使用贝叶斯规则,所以训练模型的损失函数为α1,α2为贝叶斯参数,n为训练集个数,Yi,Y′i为温度舒适值的真实值和预测值,m为神经网络中的权重数量。
上述的运用人工智能实现数据中心节能温控的方法,其中,所述的深度强化学习,采用深度确定性策略梯度DDPG做为深度强化学习的算法,首先将调整网络表达为At=μ(St|θμ),St为温湿度情况,θμ为调整网络的权重,A为调整方法;批评网络表达为Q(St,At|θQ),θQ为调整批评网络的权重。
上述的运用人工智能实现数据中心节能温控的方法,其中,所述的算法写为如下的伪代码形式:
初始化批评网络Q(St,At|θQ),调整网络表达为μ(St|θμ),随机权重θQ,θμ;
初始化批评网络Q′(St,At|θQ′),调整网络表达为μ′(St|θμ′)θQ′←θQ,θμ←θμ′;
初始化回放缓存区replaybufferB;
for循环0~M:
得到初始化温湿度阶段S0
for循环t=0~T:
得到调整方案At
根据At更新暖通空调系统的工作情况
得到新温湿度情况St+1计算reward Rt
存储(St,At,Rt,St+1)
从replay buffer B随机抽样N组数据
R′i=Ri+γQ′(Si+1,μ′(Si+1|θμ′)|θQ′)
对每组数据计算reward,
更新批评网络;更新调整网络
更新目标网络Q′,μ′:
θQ′←τθQ+(1-τ)θQ′,θμ′←τθμ+(1-τ)θμ
τ是discount factor
结束循环
结束循环。
本发明提供的运用人工智能实现数据中心节能温控的系统及方法具有以下优点:
本方法结合深度神经网络和深度强化学习,首先用深度神经网络结合BayesianRegularization(贝叶斯正则化算法)去预测多影响因子下的温度舒适度。然后再结合深度强化学习Deep Deterministic Policy Gradients(DDPG,深度确定性策略梯度算法)去寻找最优调整方案。相比于其他相关模型,该模型可以实现连续控制,更加符合实际情况。并且该模型可以避免控制变量的离散问题,提高控制效果。同时为了检验模型效果,本发明运用温度控制模拟系统和TRNSYS(Transient System SimulationProgram,瞬时系统模拟程序)来测算模型在不同设定下的效果。本发明基于节能和温度的深度强化学习的算法,既可以满足温度要求,又可以最小化HVAC消耗。
附图说明
图1为本发明的运用人工智能实现数据中心节能温控的系统示意图。
图2为本发明的运用人工智能实现数据中心节能温控的方法示意图。
具体实施方式
以下结合附图对本发明的具体实施方式作进一步地说明。
本发明提供了一种运用人工智能(AI)实现数据中心节能温控的系统,其包含:传感器、控制器以及暖通空调系统(HVAC);传感器定时测量室内、室外的温度和湿度数据;控制器接收室内外环境信息以及暖通空调系统的工作信息,通过模型算法得到暖通空调系统的调整方案;传感器与控制器相连,暖通空调系统接受控制器指令进行加热或制冷或除湿,参见图1所示。
本发明还提供了一种通过该系统进行的运用人工智能实现数据中心节能温控的方法,该方法结合深度神经网络和深度强化学习(Deep Reinforcement Learning,DRL),首先用深度神经网络结合贝叶斯正则化(Bayesian Regularization)算法,预测多影响因子下的温度舒适度,然后再结合深度强化学习的算法,寻找最优调整方案。
优选地,该方法中使用深度神经网络来预测合适温度,结合深度强化学习来获得最优调整方案;先由训练好的深度神经网络根据当前温湿度,预测出室内最优温湿度,预测出的温湿度和耗能情况用于计算强化学习的奖励值reward,强化学习网络通过观测不同调整方案的奖励值reward来学习调整逻辑,并输出最优调整方案,参见图2所示。
下面结合实施例对本发明提供的运用人工智能实现数据中心节能温控的系统及方法做更进一步描述。
实施例1
一种运用人工智能(AI)实现数据中心节能温控的系统,其包含:传感器、控制器以及暖通空调系统(HVAC);传感器定时测量室内、室外的温度和湿度数据;控制器接收室内外环境信息以及暖通空调系统的工作信息,通过模型算法得到暖通空调系统的调整方案;传感器与控制器相连,暖通空调系统接受控制器指令进行加热或制冷或除湿。
本实施例还提供了一种通过该系统进行的运用人工智能实现数据中心节能温控的方法,该方法结合深度神经网络和深度强化学习,首先用深度神经网络结合BayesianRegularization算法,预测多影响因子下的温度舒适度,然后再结合深度强化学习的算法,寻找最优调整方案。
优选地,该方法中使用深度神经网络来预测合适温度,结合深度强化学习来获得最优调整方案;先由训练好的深度神经网络根据当前温湿度,预测出室内最优温湿度,预测出的温湿度和耗能情况用于计算强化学习的奖励值reward,强化学习网络通过观测不同调整方案的奖励值reward来学习调整逻辑,并输出最优调整方案。
该方法中将耗能问题调控和能耗优化作为一个马尔可夫决策过程(MarkovDecision Process)MDP,用来最小化总能耗;其中分别设定:阶段State、调整Action、奖励值reward、最小化消耗。
奖励值reward:奖励包含两个部分,分别为HVAC能耗惩罚,以及错误预测温度惩罚;温度预测氛围分为-3到3的六个等级,-3为太冷,0为正常,3为太热;合适预测温度应该处于[-D,D]的范围内,D为预设值,若预测温度不在预设范围内,则会出现惩罚,即
Rt是整体奖励;β是能耗的比重,表示耗电量的重要性。
深度神经网络是用一个两层隐藏层(hidden layer)的前馈(feed-forward)深度神经网络来预测合适的温度,输入量包含空气温湿度、平均温度、风速、变化速度,输出量为预测温度舒适值;在训练中,使用标记好的训练集来提高模型精度,为了防止过拟合(overfitting),使用贝叶斯规则(Bayesian regulation),所以训练模型的损失函数为α1,α2为贝叶斯参数,n为训练集个数,Yi,Y′i为温度舒适值的真实值和预测值,m为神经网络中的权重数量。
深度强化学习是采用深度确定性策略梯度DDPG(Deep Deterministic PolicyGradients)做为深度强化学习(DRL)的学习算法,首先将调整网络表达为At=μ(St|θμ),St为温湿度情况,θμ为调整网络的权重,A为调整方法;批评网络表达为Q(St,At|θQ),θQ为调整批评网络的权重。
该算法写为如下的伪代码形式:
初始化批评网络Q(St,At|θQ),调整网络表达为μ(St|θμ),随机权重θQ,θμ;
初始化批评网络Q′(St,At|θQ′),调整网络表达为μ′(St|θμ′)θQ′←θQ,θμ←θμ′;
初始化回放缓存区批处理replay buffer B;
for循环0~M:
得到初始化温湿度阶段S0
for循环t=0~T:
得到调整方案At
根据At更新暖通空调系统的工作情况
得到新温湿度情况St+1计算reward Rt
存储(St,At,Rt,St+1)
从replay buffer B随机抽样N组数据
对每组数据计算reward,R′i=Ri+γQ′(Si+1,μ′(Si+1|θμ′)|θQ′)
更新批评网络;更新调整网络
更新目标网络Q′,μ′:
θQ′←τθQ+(1-τ)θQ′,θμ′←τθμ+(1-τ)θμ′
τ是discount factor折现系数
结束循环
结束循环。
本发明提供的运用人工智能实现数据中心节能温控的系统及方法,使用深度神经网络来预测合适温度、深度强化学习来获得最优调整方案。首先由训练好的深度神经网络根据当前温湿度,预测出室内最优温湿度。预测出的温湿度和耗能情况将用于计算强化学习的reward值,强化学习网络可以通过观测不同调整方案的reward值来学习调整逻辑,并输出最优调整方案。本发明通过运用AI来实现数据中心的节能温控的算法,结合深度神经网络和强化学习去调节数据中心内的HVAC,能够同时满足温度需求和节能需求。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (2)
1.一种运用人工智能实现数据中心节能温控的方法,其特征在于,所述的方法结合深度神经网络和深度强化学习,首先用深度神经网络结合贝叶斯正则化算法,预测多影响因子下的温度舒适度,然后再结合深度强化学习的算法,寻找最优调整方案;
所述的深度神经网络是先由训练好的深度神经网络根据当前温湿度,预测出室内最优温湿度,预测出的温湿度和耗能情况用于计算强化学习的奖励值reward,强化学习网络通过观测不同调整方案的奖励值reward来学习调整逻辑,并输出最优调整方案;
所述的方法中将耗能问题调控和能耗优化作为一个马尔可夫决策过程MDP,用来最小化总能耗;其中分别设定:阶段State、调整Action、奖励值reward、最小化消耗;
所述的奖励值reward:奖励包含两个部分,分别为暖通空调系统能耗惩罚,以及错误预测温度惩罚;温度预测氛围分为-3到3的六个等级,-3为太冷,0为正常,3为太热;合适预测温度应该处于[-D,D]的范围内,D为预设值,若预测温度不在预设范围内,则会出现惩罚,即Rt是整体奖励;β是能耗的比重,表示耗电量的重要性;
所述的深度神经网络是用一个两层隐藏层的前馈深度神经网络来预测合适的温度,输入量包含空气温湿度、平均温度、风速、变化速度,输出量为预测温度舒适值;在训练中,使用标记好的训练集来提高模型精度,为了防止过拟合,使用贝叶斯规则,训练模型的损失函数为α1,α2为贝叶斯参数,n为训练集个数,Yi,Y′i为温度舒适值的真实值和预测值,m为神经网络中的权重数量;
所述的深度强化学习是采用深度确定性策略梯度DDPG做为深度强化学习的学习算法,首先将调整网络表达为At=μ(St|θμ),St为温湿度情况,θμ为调整网络的权重,A为调整方法;批评网络表达为Q(St,At|θQ),θQ为调整批评网络的权重;
该算法写为如下的伪代码形式:
初始化批评网络Q(St,At|θQ),调整网络表达为μ(St|θμ),随机权重θQ,θμ;初始化批评网络Q′(St,At|θQ′),调整网络表达为μ′(St|θμ′)θQ′←θQ,θμ←θμ′;初始化回放缓存区批处理replay buffer B;
for循环0~M:
得到初始化温湿度阶段S0
for循环t=0~T:
得到调整方案At
根据At更新暖通空调系统的工作情况
得到新温湿度情况St+1计算reward Rt
存储(St,At,Rt,St+1)
从replay buffer B随机抽样N组数据
对每组数据计算reward,R′i=Ri+γQ′(Si+1,μ′(Si+1|θμ′)|θQ′)
更新批评网络;更新调整网络
更新目标网络Q′,μ′:
θQ′←τθQ+(1-τ)θQ′,θμ′←τθμ+(1-τ)θμ′
τ是discount factor折现系数
结束循环
结束循环。
2.一种如权利要求1所述的运用人工智能实现数据中心节能温控的方法使用的系统,其特征在于,所述的系统包含:传感器、控制器以及暖通空调系统;所述的传感器定时测量室内、室外的温度和湿度数据;所述的控制器接收室内外环境信息以及暖通空调系统的工作信息,通过模型算法得到暖通空调系统的调整方案;所述的传感器与控制器相连,暖通空调系统接受控制器指令进行加热或制冷或除湿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152436.8A CN111351180B (zh) | 2020-03-06 | 2020-03-06 | 一种运用人工智能实现数据中心节能温控的系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152436.8A CN111351180B (zh) | 2020-03-06 | 2020-03-06 | 一种运用人工智能实现数据中心节能温控的系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111351180A CN111351180A (zh) | 2020-06-30 |
CN111351180B true CN111351180B (zh) | 2021-09-17 |
Family
ID=71194356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010152436.8A Active CN111351180B (zh) | 2020-03-06 | 2020-03-06 | 一种运用人工智能实现数据中心节能温控的系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111351180B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111637614B (zh) * | 2020-05-26 | 2021-06-08 | 内蒙古工业大学 | 数据中心主动通风地板的智能控制方法 |
CN111795484B (zh) * | 2020-07-24 | 2021-11-23 | 北京大学深圳研究生院 | 一种智慧空调控制方法和系统 |
CN112018621A (zh) * | 2020-09-07 | 2020-12-01 | 山东臣乔电气科技股份有限公司 | 一种电力开关柜智能操控系统 |
US20220087075A1 (en) * | 2020-09-17 | 2022-03-17 | Nvidia Corporation | Predictive control using one or more neural networks |
CN112325447B (zh) * | 2020-11-02 | 2022-04-26 | 珠海米枣智能科技有限公司 | 一种基于强化学习的制冷机组控制装置及控制方法 |
CN112954977B (zh) * | 2021-02-18 | 2023-04-14 | 财拓云计算(上海)有限公司 | 一种基于人工智能实现数据中心节能温控的系统及方法 |
CN112923525A (zh) * | 2021-02-26 | 2021-06-08 | 深圳市励科机电科技工程有限公司 | 机器学习型舒适节能空调智能控制方法 |
CN113283156B (zh) * | 2021-03-29 | 2023-09-15 | 北京建筑大学 | 一种基于深度强化学习的地铁站空调系统节能控制方法 |
CN113095951B (zh) * | 2021-05-08 | 2023-09-22 | 西安科技大学 | 一种瓦斯抽采智能调控方法、设备、装置及存储介质 |
CN113465139B (zh) * | 2021-05-28 | 2022-11-08 | 山东英信计算机技术有限公司 | 一种制冷优化方法、系统、存储介质及设备 |
CN114110824B (zh) * | 2021-11-03 | 2023-05-02 | 北京邮电大学 | 一种恒湿机智能控制方法及装置 |
CN114017904B (zh) * | 2021-11-04 | 2023-01-20 | 广东电网有限责任公司 | 一种建筑物hvac系统的运行控制方法及装置 |
CN115271463B (zh) * | 2022-07-29 | 2023-06-02 | 昂顿科技(上海)有限公司 | 智慧能源管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109804206A (zh) * | 2016-10-11 | 2019-05-24 | 三菱电机株式会社 | 用于操作空调系统的控制器和空调系统的控制方法 |
KR20190101924A (ko) * | 2019-08-13 | 2019-09-02 | 엘지전자 주식회사 | 실내 환경 조절을 위한 온습도계 및 온습도 제어 방법 |
CN110726229A (zh) * | 2019-10-29 | 2020-01-24 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、存储介质及处理器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458443B (zh) * | 2019-08-07 | 2022-08-16 | 南京邮电大学 | 一种基于深度强化学习的智慧家庭能量管理方法及系统 |
-
2020
- 2020-03-06 CN CN202010152436.8A patent/CN111351180B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109804206A (zh) * | 2016-10-11 | 2019-05-24 | 三菱电机株式会社 | 用于操作空调系统的控制器和空调系统的控制方法 |
KR20190101924A (ko) * | 2019-08-13 | 2019-09-02 | 엘지전자 주식회사 | 실내 환경 조절을 위한 온습도계 및 온습도 제어 방법 |
CN110726229A (zh) * | 2019-10-29 | 2020-01-24 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、存储介质及处理器 |
Non-Patent Citations (1)
Title |
---|
基于深度强化学习的建筑节能方法研究;何超;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;中国学术期刊(光盘版)电子杂志社;20200131;第34-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111351180A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111351180B (zh) | 一种运用人工智能实现数据中心节能温控的系统及方法 | |
Homod et al. | Gradient auto-tuned Takagi–Sugeno Fuzzy Forward control of a HVAC system using predicted mean vote index | |
KR102212663B1 (ko) | 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치 | |
Liang et al. | Design of intelligent comfort control system with human learning and minimum power control strategies | |
CN111795484B (zh) | 一种智慧空调控制方法和系统 | |
CN113283156B (zh) | 一种基于深度强化学习的地铁站空调系统节能控制方法 | |
Attaran et al. | A novel optimization algorithm based on epsilon constraint-RBF neural network for tuning PID controller in decoupled HVAC system | |
CN112963946B (zh) | 一种面向共享办公区域的暖通空调系统控制方法及装置 | |
Baghaee et al. | User comfort and energy efficiency in HVAC systems by Q-learning | |
JP2021103083A5 (zh) | ||
CN110986249B (zh) | 空调的自调节控制方法、系统及空调器 | |
Homod et al. | Deep clustering of cooperative multi-agent reinforcement learning to optimize multi chiller HVAC systems for smart buildings energy management | |
CN114110824B (zh) | 一种恒湿机智能控制方法及装置 | |
CN111442476A (zh) | 一种使用深度迁移学习实现数据中心节能温控的方法 | |
CN116576542A (zh) | 变风量中央空调系统分布式事件触发控制方法及系统 | |
Wang et al. | Hybrid CMAC-PID controller in heating ventilating and air-conditioning system | |
CN114115398B (zh) | 一种建筑物冷水机组需求响应控制方法及装置 | |
CN116241991A (zh) | 一种基于深度强化学习中央空调控制方法及系统 | |
Sierra et al. | Providing intelligent user-adapted control strategies in building environments | |
CN114017904B (zh) | 一种建筑物hvac系统的运行控制方法及装置 | |
Cui et al. | A hierarchical HVAC optimal control method for reducing energy consumption and improving indoor air quality incorporating soft Actor-Critic and hybrid search optimization | |
Cui et al. | An Online Reinforcement Learning Method for Multi-Zone Ventilation Control With Pre-Training | |
CN116438409A (zh) | 基于可逆因果关系的热控制系统和方法 | |
Dounis et al. | Knowledge-based versus classical control for solar-building designs | |
El Aoud et al. | Self-tuning method of fuzzy system: An application on greenhouse process |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |