在发达国家，建筑负荷消耗了大约40%的能源，其中很大一部分用于建设温度控制基础设施。
在这方面，基于可再生资源的微电网提供了一种更环保、更便宜的选择。本文探讨了微电网电力调度和建筑HVAC(采暖、通风和空调系统)驱动的可能协同设计，目的是在最小的运营成本下实现有效的温度控制。为此，我们使用深度强化学习(DRL)技术，基于有关微电网和HVAC系统模型的可用信息，尝试使用各种抽象级别的控制设计。我们提供了考虑模型信息的控制体系结构，从完全确定的系统模型到具有完全未知参数设置的系统，并说明了DRL在设计处方方面的优势。
在发达国家，建筑负荷消耗了大约40%的能源，其中很大一部分用于建设温度控制基础设施。
在这方面，基于可再生资源的微电网提供了一种更环保、更便宜的选择。本文探讨了微电网电力调度和建筑HVAC(采暖、通风和空调系统)驱动的可能协同设计，目的是在最小的运营成本下实现有效的温度控制。为此，我们使用深度强化学习(DRL)技术，基于有关微电网和HVAC系统模型的可用信息，尝试使用各种抽象级别的控制设计。我们提供了考虑模型信息的控制体系结构，从完全确定的系统模型到具有完全未知参数设置的系统，并说明了DRL在设计处方方面的优势。
在发达国家，建筑负荷消耗了大约40%的能源，其中很大一部分用于建设温度控制基础设施。
在这方面，基于可再生资源的微电网提供了一种更环保、更便宜的选择。本文探讨了微电网电力调度和建筑HVAC(采暖、通风和空调系统)驱动的可能协同设计，目的是在最小的运营成本下实现有效的温度控制。为此，我们使用深度强化学习(DRL)技术，基于有关微电网和HVAC系统模型的可用信息，尝试使用各种抽象级别的控制设计。我们提供了考虑模型信息的控制体系结构，从完全确定的系统模型到具有完全未知参数设置的系统，并说明了DRL在设计处方方面的优势。
在发达国家，建筑负荷消耗了大约40%的能源，其中很大一部分用于建设温度控制基础设施。
在这方面，基于可再生资源的微电网提供了一种更环保、更便宜的选择。本文探讨了微电网电力调度和建筑HVAC(采暖、通风和空调系统)驱动的可能协同设计，目的是在最小的运营成本下实现有效的温度控制。为此，我们使用深度强化学习(DRL)技术，基于有关微电网和HVAC系统模型的可用信息，尝试使用各种抽象级别的控制设计。我们提供了考虑模型信息的控制体系结构，从完全确
在这方面，基于可再生资源的微电网提供了一种更环保、更便宜的选择。本文探讨了微电网电力调度和建筑HVAC(采暖、通风和空调系统)驱动的可能协同设计，目的是在最小的运营成本下实现有效的温度控制。为此，我们使用深度强化学习(DRL)技术，基于有关微电网和HVAC系统模型的可用信息，尝试使用各种抽象级别的控制设计。我们提供了考虑模型信息的控制体系结构，从完全确定的系统模型到具有完全未知参数设置的系统，并说明了DRL在设计处方方面的优势。
在发达国家，建筑负荷消耗了大约40%的能源，其中很大一部分用于建设温度控制基础设施。
在这方面，基于可再生资源的微电网提供了一种更环保、更便宜的选择。本文探讨了微电网电力调度和建筑HVAC(采暖、通风和空调系统)驱动的可能协同设计，目的是在最小的运营成本下实现有效的温度控制。为此，我们使用深度强化学习(DRL)技术，基于有关微电网和HVAC系统模型的可用信息，尝试使用各种抽象级别的控制设计。我们提供了考虑模型信息的控制体系结构，从完全确定的系统模型到具有完全未知参数设置的系统，并说明了DRL在设计处方方面的优势。
在发达国家，建筑负荷消耗了大约40%的能源，其中很大一部分用于建设温度控制基础设施。
在这方面，基于可再生资源的微电网提供了一种更环保、更便宜的选择。本文探讨了微电网电力调度和建筑HVAC(采暖、通风和空调系统)驱动的可能协同设计，目的是在最小的运营成本下实现有效的温度控制。为此，我们使用深度强化学习(DRL)技术，基于有关微电网和HVAC系统模型的可用信息，尝试使用各种抽象级别的控制设计。我们提供了考虑模型信息的控制体系结构，从完全确定的系统模型到具有完全未知参数设置的系统，并说明了DRL在设计处方方面的优势。
在发达国家，建筑负荷消耗了大约40%的能源，其中很大一部分用于建设温度控制基础设施。
在这方面，基于可再生资源的微电网提供了一种更环保、更便宜的选择。本文探讨了微电网电力调度和建筑HVAC(采暖、通风和空调系统)驱动的可能协同设计，目的是在最小的运营成本下实现有效的温度控制。为此，我们使用深度强化学习(DRL)技术，基于有关微电网和HVAC系统模型的可用信息，尝试使用各种抽象级别的控制设计。我们提供了考虑模型信息的控制体系结构，从完全确
