IEEE Power & Energy Magazine - Spanish - May/June 2022 - 61

Los resultados implican que el abordaje del aprendizaje profundo
por refuerzo tiene un potencial considerable para las aplicaciones
en línea de resolución de problemas complejos de control y
optimización, como la gestión de la demanda residencial.
casa de análisis de Yarnell Station en Knoxville, Tennessee,
como se ve en la figura 7. La casa está equipada con una
bomba de calor de dos etapas, un sistema de control de dos
zonas y dos termostatos inteligentes. La casa de dos plantas
está dividida en zonas según los pisos y tiene dos termostatos
inteligentes ubicados en el centro de cada piso. Los
reguladores del suministro de aire se utilizan para controlar
la salida de aire acondicionado de la bomba de calor a la(s)
zona(s) apropiada(s) de acuerdo con el pedido de acondicionamiento
de los termostatos.
El controlador de la zona gestiona el escalonamiento de
la bomba de calor y la tasa del flujo de aire interno, que
se ajusta de acuerdo con la cantidad de zonas que piden
acondicionamiento y las configuraciones de " tamaño " de
esas zonas (establecidos con puentes en el tablero de control
durante la puesta en marcha del sistema). El escalonamiento
de la bomba de calor se controla según un sensor de
la temperatura del suministro de aire ubicado en el ducto
en sentido descendente del climatizador. El escalonamiento
se controla para mantener un modo de calefacción de la
temperatura del suministro de aire de al menos 32.2 °C
(90 °F). El consumo de energía de la bomba de calor, entonces,
depende de la temperatura del aire exterior, la temperatura
interior y la combinación de las zonas que piden
acondicionamiento. Durante algunas combinaciones de
acondicionamiento, puede que solo sea posible generar una
respuesta de una sola etapa de la bomba de calor de dos etapas.
Con todas estas distintas condiciones que afectan la respuesta
de la potencia alcanzable, es difícil crear un modelo
preciso del sistema, lo que hace que la aplicación real del
abordaje de aprendizaje profundo por refuerzo sea complejo
de implementar.
La estrategia de control de la DQN se implementó en la
casa de análisis del 25 de marzo al 5 de abril de 2021. Ya
que este periodo suele tener temperaturas templadas, el nivel
de confort del usuario fue más alto que lo usual, es decir,
22.2-24.4 °C (72-76 °F) para asegurar que la vivienda experimentaría
una carga de calefacción adecuada. El caso de
referencia del punto de ajuste fijo se usa para comparar el
rendimiento de la estrategia de control de la DQN durante
la fase de implementación. En el caso de referencia, el punto
de ajuste está fijado en 22.2 °C (72 °F) para minimizar el
costo de la energía y mantener el nivel de confort del usuario.
No obstante, no es posible implementar el control del
punto de ajuste fijo bajo las mismas condiciones climáticas
mayo/junio 2022
de la misma casa de análisis que en la implementación de
la DQN, por lo que no es sencillo tener una comparación
verdaderamente justa entre el control de la DQN y el control
de referencia.
En cambio, podemos crear un caso de " DQN simulada "
usando los puntos de ajuste registrados del termostato y los
datos climáticos medidos durante la implementación de la
DQN. Esto nos permite evaluar la exactitud de la simulación
de la DQN al comparar los resultados medidos con los simulados.
Más importante aún, esto hace que sea más directa la
comparación entre el caso de la " DQN simulada " y el caso
de referencia (punto de ajuste fijo) simulado. Los parámetros
del modelo se ajustaron de acuerdo con la comparación
entre los datos medidos de la implementación de la DQN y
el control de la " DQN simulada " para aumentar la precisión
de la simulación. En la discusión a continuación, presentamos
los detalles de este procedimiento y la comparación del
rendimiento.
El procedimiento del estudio de comparación, basado en
la implementación de la DQN, es de la siguiente manera:
✔ En primer lugar, ajustamos el modelo de simulación
de edificio usado para el entrenamiento de la DQN
con los nuevos datos recopilados durante el periodo de
implementación de la DQN.
✔ Luego, recreamos la implementación de la DQN (en
una simulación) con la ejecución de los puntos de ajuste
de la DQN en esta simulación de edificio para el periodo
entre el 1 de marzo y el 5 de abril de 2021. Esto
se conoce como el caso de la " DQN simulada " , que
surge a partir de la implementación real de la DQN.
✔ Seguidamente, usamos esta simulación de edificio
ajustada para el caso de referencia con un punto de
ajuste fijo de 22.2 °C para la misma duración. Esta
segunda ejecución imita la implementación del control
de referencia del punto de ajuste fijo en la casa de
análisis durante el periodo de implementación.
Nótese que, ya que no tenemos datos medidos del caso
de referencia para usarlos en la configuración de las temperaturas
iniciales en la simulación, simulamos, en cambio,
3.5 semanas adicionales (es decir, del 1-24 de marzo de
2021) de operación de referencia antes del periodo de interés.
Simular este tiempo adicional les permite a las temperaturas
modeladas estabilizarse según valores realistas y
minimiza el efecto de errores asociados con las temperaturas
iniciales seleccionadas.
ieee power & energy magazine
61
IEEE Power & Energy Magazine - Spanish - May/June 2022

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - May/June 2022
