每区一个智能体：去中心化主动推理控制多区暖通空调
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载共享资源下的控制难题
多区暖通空调控制是一个共享资源问题：同一楼层的多个区域共用一台风机和冷却盘管，因此每个区域的需求会波及相邻区域，也影响整栋建筑的峰值功率。若为每个区域配置一个控制器，扩展性好且故障隔离，但每个控制器只能观测自己区域，看不到共享的空气回路。论文针对这一矛盾提出去中心化方案，把每个区域交给一个独立的主动推理智能体，智能体通过最小化期望自由能来规划，并在线学习本区域的动态。
无通信的耦合处理
这些智能体之间不传递任何消息，因此不依赖同伴，也不需要协调者。对于无法观测到的耦合，每个智能体用两个手段来间接应对：一是潜在扰动，二是从其他楼层计量功率中导出的拥塞信号。这样每个智能体在只掌握本区信息的前提下，仍能对共享资源带来的影响作出反应。
评测设置与对比对象
实验在 EnergyPlus 的 Sinergym 办公楼上进行，共评估 15 个智能体，对照三种规则控制器和三种 MADDPG 方案，其中一种 MADDPG 被提供了相同的楼层计量数据。测试使用五个训练阶段未见过的噪声气象年，以检验方案在陌生条件下的表现。
峰值、能耗与硬件表现
在五个噪声气象年上，该智能体群取得最低的建筑峰值均值 88.3 kW，比基线低 3% 至 17%，楼层峰值错峰效果优于所有基线，重合因子为 0.929，而基线在 0.936 至 0.994 之间。与舒适度相近的反应式规则相比（0.912 对 0.916），它把按月计费的月度峰值之和每年降低 33 kW（4%），代价是能耗增加约 10%。其年度成本比主动式规则低 9%（后者舒适度更低），比获得相同楼层计量数据的 MADDPG 方案低 1%。整个智能体群运行在一块低成本 Raspberry Pi 5 上，通过 MQTT 完成观测到动作的闭环，p95 延迟 442 ms，远低于 15 分钟的控制步长。
为什么值得看
展示多智能体去中心化控制在真实楼宇暖通场景的落地效果，含峰值、能耗与边缘硬件延迟的具体数据。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。