Scalable HVAC flexibility aggregation with DRL and linear programming

doi:10.1016/j.enbuild.2026.118199

Scalable HVAC flexibility aggregation with DRL and linear programming

2026-09-01

0

PRE

AI

DOI：10.1016/j.enbuild.2026.118199

原文链接

原文求助

摘要

En 中文

大规模暖通空调需求响应可提供电网灵活性，但市场参与需要快速聚合分配、设备级可行性和保障居住者舒适度。尽管近期研究已推进建筑灵活性评估、基于学习的控制及分布式服务提供，但将事后清算调度请求分配给众多底层暖通空调聚合器并在考虑累积热舒适负担方面的证据仍然有限。本研究开发了一种分层聚合框架，其中深度强化学习（DRL）分配器利用当前条件和累积舒适影响，在资源聚合器之间分配市场请求的灵活性。局部线性规划（LP）控制器随后在舒适度和电力约束下安排暖通空调运行。该框架针对由灵活性大小、方向、响应时间容差和连续交付期定义的供需调整请求进行评估。与集中式LP基准和基于规则的Greedy+LP基线相比，所提出的DRL+LP框架将大规模计算时间从超过1000秒缩短至几秒。在3600间房间的规模下，它分配了长达3小时的0.792 MW请求，并在几乎所有报告的提取间隔中将聚合分配请求保持在±10%容差内。其舒适度违规指标与集中式LP参考值相近，在报告案例中平均绝对误差（MAE）的绝对差值不超过0.052℃，均方误差（MSE）的绝对差值不超过0.045℃²。它还避免了在低灵活性请求下贪心分配中观察到的舒适度负担不均现象。在未知的每日双请求场景中，学习策略将请求分配保持在容差内，且中位舒适度偏差约为0.04-0.05℃。这些结果确立了在模拟市场调度和可连续调节的暖通空调设置中的一种可扩展且注重舒适度的分配方法。证据目前仅限于单个校准的房间模型、冷却运行和一个气候区域；在加热、异构建筑、多样化占用及现场通信或模型不确定性下的性能尚未得到验证。

Keyword:

Demand-side flexibility

HVAC

Deep reinforcement learning

Linear programming

Scalable HVAC flexibility aggregation with DRL and linear programming

摘要

期刊

机构

引用论文