Исследователи представили метод управления системами накопления тепловой энергии (TES) в зданиях с помощью дообученных моделей рассуждения. Использование RL-алгоритмов вместе с верификаторами позволило эффективно планировать нагрузку на энергосеть, обходя ограничения традиционных систем управления (MPC) и классического обучения с подкреплением, которые плохо масштабируются на разные типы зданий и инфраструктурных объектов.
Традиционные подходы к управлению энергопотреблением зданий часто сталкиваются с проблемой масштабируемости: создание индивидуальных моделей для каждого объекта требует значительных вычислительных ресурсов и экспертной настройки. Новый подход использует открытые модели рассуждения, которые дообучаются для выполнения долгосрочного планирования с учетом динамики энергосети и физических ограничений накопителей.
Ключевым элементом системы стал верификатор, который проверяет логику принимаемых моделью решений на соответствие физическим законам и заданным параметрам энергоэффективности. Это позволяет модели не просто генерировать прогнозы, а выстраивать последовательность действий, минимизирующую затраты на охлаждение при соблюдении жестких ограничений по емкости хранилищ и пиковым нагрузкам на электросеть.
Ключевые факты
- Метод основан на дообучении моделей рассуждения с использованием обучения с подкреплением (RL).
- Система решает задачу управления нагрузкой на охлаждение в зданиях в ответ на колебания условий энергосети.
- Внедрен механизм верификации, обеспечивающий соблюдение физических ограничений систем накопления тепловой энергии.
- Подход демонстрирует лучшую масштабируемость по сравнению с классическим модельным прогностическим управлением (MPC).