PulseAugur
中
实时 09:00:30
English(EN) Counter-Dyna: Data-Efficient RL-Based HVAC Control using Counterfactual Building Models

Counter-Dyna 将暖通空调控制训练时间缩短至 5 周

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 Counter-Dyna，一种用于暖通空调控制系统数据高效强化学习的新方法。该方法利用利用状态空间不变性的反事实代理模型，与以前的方法相比，显著减少了所需的训练数据。新技术仅需五周的交互数据，比通常所需数月有了显著改进，并在模拟中展示了 5.3% 至 17.0% 的潜在成本节约。 AI

影响 降低了建筑能源管理中强化学习的数据要求，可能加速实际部署。

排序理由 详细介绍暖通空调控制中强化学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

Counter-Dyna 将暖通空调控制训练时间缩短至 5 周

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Jan Marco Ruiz de Vargas, Fabian Raisch, Zoltan Nagy, Pierre Pinson, Christoph Goebel ·

    Counter-Dyna：使用反事实建筑模型进行数据高效的基于RL的HVAC控制

    arXiv:2605.04555v1 Announce Type: new Abstract: Model-based reinforcement learning (MBRL) offers a promising approach for data-efficient energy management in buildings, combining the strengths of predictive modeling and reinforcement learning. While previous MBRL methods applied …

相关实体

相关话题