Řízení vytápění budovy pomocí posilovaného učení s neuronovými sítěmi

Abstract

Cílem této práce bylo zjistit účinnost ří-zení vytápění budovy pomocí posilova-ného učení s neuronovými sítěmi. Naše algoritmy byly testovány na simulaci bu-dovy vytápěné pomocí ústředního topení, která běžela v programu MATLAB/Si-mulink. Z algoritmů na posilované učení s neuronovými sítěmi jsme se zaměřily zejména na deep Q-network algoritmus. Účinnost deep Q-Network algoritmu jsme porovnali vůči účinosti termostatů s pevně definovanými teplotami pro zapnutí a vy-pnutí vytápění. Naše výsledky ukázaly, námi implemntovaný algoritmus je scho-pen lépe řídit vytápění budovy, než ter-mostaty s pevně definovanými teplotami pro zapnutí a vypnutí vytápění.

The goal of this thesis was to evaluate how well can deep reinforcement learning (deep RL) methods perform in the task of controlling the heating system in a building. We had focused on the deep Q-learning algorithm. The algorithm was tested in a simulation of a building equipped with boiler heating, written using MATLAB/Simulink. We had compared the efficiency of our agents against the rule based thermostat solutions. Our results suggest that the deep RL methods are able to control the heating system in the building more efficiently than the traditionally used rule based thermostat solutions.