一种利用强化学习通过幕墙控制管理视觉舒适度与建筑能耗的智能模型

《Scientific Reports》：An intelligent model for managing visual comfort and building energy consumption through facade control using reinforcement learning

　　

摘要

建筑立面特征对采光能耗及 occupants 视觉舒适度具有显著影响，然而这两项目标往往相互冲突。增加自然采光量可降低能耗需求，但同时也会增加眩光风险。大多数先前的研究要么分别处理这两项目标，要么通过离线优化来解决，而相对较少的工作聚焦于学习一种同时对两项目标敏感的在线控制策略。本研究设计了一个深度Q网络（DQN）智能体，用于控制三态建筑立面（关闭、半开和全开）。其奖励函数除纳入能耗强度（EUI）指标外，还包含针对眩光概率（DGP）指标的显式惩罚项。模型基于三个具有显著不同气候的城市——德黑兰、马什哈德和塔布里兹——的真实气候数据进行了训练，以检验所学策略在多样化太阳条件下的泛化能力。在测试数据集上的评估结果显示，所训练的智能体将小时能耗强度从基准的12 W/m2降至平均7.7223 W/m2，以96.465%的总体准确率预测最优立面状态，并将平均DGP指数降至0.0310，而对照场景（未控制）的该值为0.130。与先前研究的对比表明，本方法在单一模型内同时覆盖多种气候以及采用在线决策而非事后优化这两方面区别于类似工作。本研究提出了一种立面控制框架，其能耗与眩光结果目前仅适用于上述简化仿真环境；将其拓展至真实建筑部署留作未来工作。