一个基于BIM的传感器融合的智能控制系统,用于使用深度演员关键强化学习 (DACRL) 进行节能室内环境监管

科学领域:

• 建筑科学与工程 建筑科学与工程
• 人工智能的人工智能
• 控制系统 控制系统

背景情况:

• 建筑行业面临着日益增长的能源需求和需要高室内环境质量 (IEQ) 的需求.
• 传统的控制方法,如基于规则的控制 (RBC) 和模型预测控制 (MPC),在适应性和模型依赖性方面存在局限性.
• 智能控制策略对于优化建筑性能至关重要.

研究的目的:

• 设计和实施一个智能室内环境控制系统,集成多传感器融合和建筑信息建模 (BIM).
• 通过使用深度融合演员关键强化学习 (DACRL) 算法,开发一个节能的动态环境控制策略.
• 评估系统在降低能源消耗和提高各种建筑类型的IEQ方面的性能.

主要方法:

• 一个四层云端端协作架构:感知,融合,决策和执行层.
• 多模式传感器网络用于分布式数据收集 (温度,湿度,二氧化碳,光线,占用).
• 使用移动窗口动态权重和扩展卡尔曼波器 (EKF) 的时空数据融合,通过隔离森林和一类SVM检测异常.
• 深度强化学习控制模型将利布-蒂林 (L-T) 不等式作为Actor-Critic算法中的光谱约束.
• 通过BMS协议对HVAC,照明和遮阳进行实时闭环控制.

主要成果:

• 与RBC相比,每单位面积的年度能源消耗减少了63.2%,与MPC相比减少了23.5%.
• 对IEQ指标的显著改善:CO2度在91.5%的时间内低于800ppm,热舒适度 (PMV) 在94.2%的时间内在±0.3范围内.
• DACRL算法在约15,000个训练步骤中表现出稳定的趋同,在跨建筑转移测试中,性能损失仅为4.9%.

结论:

• 拟议的智能控制系统有效地平衡了建筑物的能源效率和IEQ.
• 用L-T不等式光谱约束增强的DACRL算法提供了强大的和可泛化的控制性能.
• 多传感器融合,BIM和先进AI的整合为智能建筑管理提供了一个有希望的方向.