2024-alsayed-rl-hvac-review
Reinforcement learning for HVAC control in intelligent buildings: A technical and conceptual review
Al Sayed, Khalil; Boodi, Abhinandana; Sadeghian Broujeny, Roozbeh; Beddiar, Karim · · Journal of Building Engineering, Vol. 95, 110085
PaperHybrid OAGlobalNoch nicht geprüft
Bibliographische Details
- Abgerufen
Notizen
Technisch-konzeptioneller Review zu Reinforcement-Learning fuer HVAC-Steuerung. Synthetisiert Studien seit 2019. Energieeinsparungen in Feldversuchen 24-55% gegenueber konventionellen PI-/PID-Reglern.
Al Sayed et al. 2024 — RL for HVAC (Review)
Key findings (relevant zu WFK-2.1.5)
- Systematischer Review der RL-basierten HVAC-Steuerung mit Studien seit 2019.
- Berichtete Energie-Einsparungen variieren je nach Setup: ~24-26 % gegenueber konventionellen PI-Reglern in Simulationen, in Feldimplementierungen 40-55 % gegenueber PID, bei gleichzeitiger Komfort-Verbesserung.
- Modell-freie Deep-RL-Ansaetze umgehen den Aufwand fuer detaillierte physikalische Gebaeudemodelle, leiden aber unter langen Trainingszeiten und Sample-Effizienz-Problemen.
- Open Issues: Generalisierung ueber Gebaeude-Typen, Sicherheitsgarantien fuer Live-Deployment, Integration mit Demand-Response.
Relevance
Methoden-Reife-Anker (D3). Quantifiziert die Einspar-Range konkret und benennt RL-spezifische offene Forschungsfragen. Wien-Bezug: indirekt, da kein AT-spezifisches Pilot zitiert ist — wird im Gaps-Block aufgegriffen.
Verified-Status
peer-reviewed. Lizenz: hybrid OA. Refresh-Frequenz: statisch.
Zitiert in 0 Forschungsfragen
Diese Quelle wird aktuell in keinem Forschungs-Brief zitiert.
Quelldatei
sources/2024-alsayed-rl-hvac-review.md
Auf GitLab anzeigen (raw)