Оптимизация работы чиллеров

Управление парком чиллеров — сложная задача, требующая одновременного учёта множества параметров: температуры наружного воздуха, влажности, текущей нагрузки и характеристик каждого агрегата. Глубокое обучение с подкреплением предлагает подход, при котором агент обучается определять оптимальные уставки для каждого чиллера и количество задействованных агрегатов.

Многоагентное обучение с подкреплением

Исследование Падуанского университета предлагает подход на основе глубокого обучения с подкреплением, при котором агент (или несколько агентов в многоагентной конфигурации) учится определять оптимальные уставки для каждого чиллера и количество используемых агрегатов в различных сценариях.

Кооперативное обучение с глубокой кластеризацией

Исследование, опубликованное в ScienceDirect, представляет инновационное сочетание фазопереходных материалов (PCM) с передовыми методами машинного обучения. Реальная инновация заключается в использовании кооперативного многоагентного обучения с подкреплением и глубокой кластеризацией (CMARLDC), которое интеллектуально упорядочивает работу резервуаров и максимизирует COP чиллеров в периоды низкой нагрузки. Применение кластеризации траектории Лагранжа для обработки нелинейной регрессии добавляет уникальное техническое измерение в стратегию управления. Результат — экономия более 28% энергии по сравнению с традиционными структурами.

Совместная оптимизация температуры и влажности

Исследование, опубликованное в ScienceDirect, применяет алгоритм многоагентного глубокого обучения с подкреплением для оптимального управления системой независимого контроля температуры и влажности, объединяющей радиационное потолочное охлаждение с осушительной дегидратацией. Механизм сотрудничества позволяет агенту сократить энергопотребление чиллера на 44%.

Оптимизация в полупроводниковом производстве

Многоагентное обучение с подкреплением применяется для прогнозирования и энергосберегающей оптимизации системы чиллеров в полупроводниковом производстве. Исследование опубликовано в International Journal of Production Economics (2025).

Перспективы

Многоагентные системы обучения с подкреплением способны координировать работу десятков чиллеров в реальном времени, адаптируясь к изменяющимся ценам на электроэнергию и погодным условиям.

По всем вопросам звоните нам по номеру +7 (383) 305-43-15