A Comparison of Classical and Deep Reinforcement Learning Methods for HVAC Control

要約

強化学習 (RL) は、HVAC 制御を最適化するための有望なアプローチです。
RL は、システムのパフォーマンスを向上させ、エネルギー消費を削減し、コスト効率を高めるためのフレームワークを提供します。
複数の HVAC 環境にわたって 2 つの一般的な古典的およびディープ RL 手法 (Q-Learning および Deep-Q-Networks) のベンチマークを行い、モデルのハイパーパラメーター選択と報酬調整の実際的な考慮事項を検討します。
この調査結果は、HVAC システムで RL エージェントを構成し、エネルギー効率とコスト効率の高い運用を促進するための洞察を提供します。

要約(オリジナル)

Reinforcement learning (RL) is a promising approach for optimizing HVAC control. RL offers a framework for improving system performance, reducing energy consumption, and enhancing cost efficiency. We benchmark two popular classical and deep RL methods (Q-Learning and Deep-Q-Networks) across multiple HVAC environments and explore the practical consideration of model hyper-parameter selection and reward tuning. The findings provide insight for configuring RL agents in HVAC systems, promoting energy-efficient and cost-effective operation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google