2025-mulayim-rl-vs-mpc
MPC outperforms RL in real-world HVAC control under comfort normalization
Mulayim, M.; Sangoğul, V.; et al. · · Applied Energy (accepted); arXiv:2510.01475
Bibliographische Details
- Abgerufen
Notizen
Field Deployment in Carnegie Mellon/Purdue Building zeigt MPC schlaegt RL unter Comfort-Normalisierung (12,7% vs 7,3% Einsparung); RL lernte physikalisch implausible Parameter. Gegen-Beleg zu Alsayed-24-55%-Sim-Werten.
Mulayim et al. 2025 — MPC vs RL HVAC (Feldversuch)
Key findings (relevant zu WFK-2.1.5)
- Field Deployment an einem realen Uni-Gebäude (Carnegie Mellon/Purdue): Model Predictive Control (MPC) erzielte 12,7 % Einsparung, Reinforcement Learning (RL) nur 7,3 % — bei gleicher Comfort-Normalisierung.
- RL lernte in Simulation physikalisch implausible Parameter, die im Feldversuch nicht generalisierten.
- Ergebnis konterkariert rein simulationsbasierte Studien (z.B. Alsayed 2024: 40–55 % Einsparung bei RL), die unter kontrollierten Bedingungen deutlich höhere Werte berichten.
- Fazit: Simulation-to-Reality-Gap ist ein kritischer Validierungspunkt bei RL-HVAC-Anwendungen.
Relevance
K3-Quelle (kritische Perspektive) zu WFK-2.1.5. Schwächt unkritische RL-Einspar-Versprechen (Alsayed-24-Werte) mit empirischem Feldversuchs-Befund ab. Methoden-Kontext: arXiv-Preprint, angenommen bei Applied Energy (peer-reviewed Journal IF >9). Konfidenz: medium (einzelner Feldversuch, Gebäude-spezifisch).
Verified-Status
preprint (Applied Energy accepted). Lizenz: arXiv open access (green OA). Refresh-Frequenz: statisch nach Veröffentlichung.
Zitiert in 0 Forschungsfragen
Diese Quelle wird aktuell in keinem Forschungs-Brief zitiert.
Quelldatei
sources/2025-mulayim-rl-vs-mpc.md
Auf GitLab anzeigen (raw)