Contextual Quality-Diversity Evolutionary Reinforcement Learning for HVAC Control in Tropical Commercial Buildings
Di cosa parla
Un sistema di controllo per la supervisione di un impianto di raffreddamento ad acqua e dei flussi d'aria in un edificio commerciale tropicale. Invece di apprendere una sola strategia, conserva una collezione di strategie specializzate, ciascuna legata a condizioni operative giornaliere (meteo e carico) e a tipi di comportamento; queste strategie sono generate con due metodi che condividono l'esperienza raccolta, e ogni azione viene verificata da una barriera di sicurezza prima dell'esecuzione. Il sistema è addestrato su un modello semplificato dell'edificio che riproduce carico, funzionamento della torre di raffreddamento e vincoli di umidità, e valutato su un anno confrontandolo con una soluzione di riferimento standard.
Cosa permette di osservare
Permette di esplorare se mantenere molte strategie specializzate per diversi scenari climatici e di carico è una strada praticabile per il controllo degli impianti di raffreddamento in climi tropicali, e come integrare apprendimento automatico e meccanismi di sicurezza.
Dalla fonte
This paper proposes a contextual quality-diversity evolutionary reinforcement-learning controller, CQD-ERL, for the supervisory control of a tropical, water-cooled chiller plant and its associated air side. Rather than converging to a single scalarised policy, the controller maintains a product archive of specialised policies indexed jointly by a data- driven operating context, a cluster of daily weather and load regime, and a context-invariant behaviour descriptor, filled by a gradient-free evolutionary operator and a soft-actor-critic policy-gradient operator that share one replay buffer. Every action is filtered through a deterministic safety shield before execution. The controller is trained on a two-tier reduced-order environment representing the latent load, cooling-tower approach and humidity constraints of a Singapore commercial building, and is evaluated over a full annual back…